머신러닝을 활용한 프로펠러 날개끝 캐비테이션 소음원 위치 추정 연구

Abstract

프로펠러에서 발생한 캐비테이션 소음은 선박 수중방사소음의 주요 원인으로 특히 군함의 경우 잠수함에 의한 피탐 성능에 영향을 미친다. 이러한 캐비테이션의 발생을 지연시키거나 최소화하기 위해 설계단계부터 프로펠러의 성능을 추정하고 공동터널에서 모형 프로펠러 시험을 수행하고 있다. 기존에 수행된 연구에서 프로펠러 상부 선체에 센서를 매립하여 수중음향 분야에서 음원의 위치 추정 또는 환경인자 역산에 사용되는 기법을 적용해 캐비테이션의 위치를 추정하였다. 실험에서 총 6개의 음향센서를 사용했으며 음향센서 수량 감소에 따른 위치 추정 영향 검토 결과 음향센서 4개까지는 비교적 정확한 위치 추정이 가능했으나 3개의 센서를 이용한 경우 정확도가 현저히 낮아지는 것을 확인할 수 있었다. 음향센서를 이용한 캐비테이션 위치 추정기법을 실선에 적용하기 위해서는 매립 과정 및 비용 등을 고려할 때 매립되는 센서 수량을 최소화하는 것이 필요하다. 따라서 본 연구에서는 기존의 연구에서 낮은 정확도를 나타낸 3개의 음향센서를 이용한 캐비테이션 위치 추정기법에 최근 다양한 분야에서 활용되고 있는 순방향 신경망 학습 기법을 적용하여 위치 추정 성능을 향상시키고자 하였다. 3개의 센서 데이터에 순환신경망 모델을 적용한 결과 기존의 정합장 역산 기법보다 정확한 위치를 추정할 수 있었다.

The cavitation noise generated from propellers is a major cause of underwater radiated noise in ships, and especially in the case of naval ships, it is closely related to the possibility of detection by submarines. Therefore, from the design stage, the required performance of the propeller is estimated, and a model propeller test is performed in a common tunnel. In the previous study, the location of cavitation was estimated by embedding the sensor in the upper hull of the propeller and applying the matching field processing technique used for estimating the source localization in the underwater acoustic field or inverting environmental factors. In order to apply the cavitation localization technique using the acoustic sensor to real ships, it is necessary to minimize the number of sensors to be installed on the hull in consideration of the process and cost. Therefore, in this study, the localization performance is improved by applying the forward neural network learning technique used in various fields to the cavitation localization technique using three acoustic sensors, which showed low accuracy in previous studies.