El trabajo, incluido en el área de Procesamiento de Señales del INTERCON 2019, propone un modelo de red neuronal convolucional en una configuración Encoder-Decoder para estimar tanto la localización como la forma de los objetos que producen las señales reflejadas, de esta forma se obtiene un modelo de velocidad en dos dimensiones. Esta red neuronal artificial se entrenó usando datos generados por simulación mediante el método de diferencias finitas, que obtuvo un valor de 98.58% en la métrica de Intersección sobre la Unión (IoU), 75.88% de precisión y 64.69% de sensibilidad.

Durante su intervención, mostró la arquitectura de la CNN codificadora-decodificadora, las curvas de precisión y pérdida durante el entrenamiento y validación de la red propuesta, y la evaluación de esta en nuevos escenarios.

El investigador señaló: “La estimación de parámetros de un sistema utilizando mediciones indirectas del mismo ocurre en múltiples campos de la ingeniería, conocido como el problema inverso. Este se presenta también en el campo de la acústica en medios acuosos, especialmente donde estos no son lo suficientemente transparentes. Es así que, la estimación de la forma de los objetos usando señales acústicas es un desafío pues esto es llevado a cabo únicamente con la información de los ecos que producen objetos con densidades diferentes a las del medio.”