利用可分离变量海洋物理信息神经网络预测声场

由于声压场具有强振荡特性，高频水下声场建模对物理信息神经网络（PINNs）提出了巨大挑战。基于 OceanPINN 框架，本文提出了一种具有可学习谱展开的可分离变量 OceanPINN，用于高频环境下的二维声场预测。声包络被表示为由一维谱神经网络学习到的距离相关和深度相关基函数的可分离展开，并具有可训练的展开系数。三角基函数的解析导数实现了 Helmholtz equation 的高效稳定施加。数值结果表明，在有限数据条件下，该方法相较于传统 OceanPINN 具有更高的准确性和泛化能力。