استفاده از الگوریتم های یادگیری ماشین برای بهینه سازی انتخاب مواد آکوستیک

درک انتخاب مواد مخدر آکوستیک

انتخاب مواد صوتی مناسب برای کنترل صدا در فضاهای مانند سالن کنسرت، استودیو ضبط، دفاتر باز برنامه و امکانات صنعتی است. رویکردهای سنتی به شدت به شهود متخصص، جداول تجربی از خواص مواد و تست فیزیکی بازیافت شده متکی است - مهندسان به طور معمول با انتشار ضریب صدا (NRC، SAA)، رتبه های انتقال (STC)، و لوله های غیر قابل بازیافت، سپس اندازه گیری دقیق زمان (این روش های برش فشرده سازی دقیق) و یا استفاده از روش های برش دقیق).

پارامترهای کلیدی مواد که بر عملکرد آکوستیک تأثیر می گذارند عبارتند از:

• [α] شاخص جذب سویا (α) - بخش از انرژی صوتی حادثه جذب شده، به طور معمول در چندین فرکانس اندازه گیری می شود (125 هرتز تا 4 کیلوهرتز).
• مقاومت آهسته - مقاومت در برابر جریان هوا از طریق مواد متخلخل، تاثیر جذب کم فرکانس.
• Porosity و tortuosity - ویژگی های ساختاری که تعیین می کند که امواج صوتی با ماتریس مواد ارتباط برقرار می کنند.
• [[۱] [۱۰] [۱] [۱] [۱]] [۱]] [۱]]]- [۱]-۲]- [۱]-۲]- تأثیر گذار بر انتقال و کاهش لرزش.
• قابلیت، رتبه بندی آتش و هزینه [FLT 1] - محدودیت های عملی که بر استقرار های دنیای واقعی تاثیر می گذارد.

با صدها ماده موجود و ترکیبات کامپوزیت بی شمار، مهندسان با یک مشکل بهینه سازی بالا مواجه هستند.یادگیری ماشین یک راه سیستماتیک برای حرکت این پیچیدگی با یادگیری الگوهای داده است که ساختارهای ریز مواد و خواص ماکروسکوپی را با نتایج آکوستیک مرتبط می کند.

چگونه یادگیری ماشین فرآیندهای انتخاب را بهبود می بخشد

الگوریتم های یادگیری ماشین (ML) حجم زیادی از داده های تاریخی را مصرف می کنند – مانند پایگاه های داده های ساختاری مواد، نتایج لوله های ضعیف، اندازه گیری های واکنش های اتاق و سوابق عملکرد پروژه – برای ساخت مدل های پیش بینی شده که تخمین می زنند که چگونه یک ماده جدید یا ترکیب جدید در یک محیط صوتی خاص رفتار می کند، به جای اینکه به صورت دستی صدها شبیه سازی یا ساخت نمونه های فیزیکی، مهندسان می توانند یک مدل ML را که فیزیک را از چرخه طراحی داده های طراحی به طور چشمگیری تسریع کرده است، جستجو کنند.

جریان کاری معمولی شامل چندین مرحله است:

1. جمع آوری داده و مهندسی ویژگی خواص مواد (دناست، متخلخلity، ضخامت، قطر فیبر و غیره) در کنار اندازه گیری های آکوستیک استخراج می شوند.
2. آموزش مدل یک الگوریتم یادگیری نظارت شده - مانند یک جنگل تصادفی، ماشین بردار یا شبکه عصبی - در یک مجموعه داده برچسب شده آموزش داده شده است که در آن ویژگی های ورودی نقشه برای جذب صدا طیفی یا کاهش سر و صدا.
3. اعتباربخشی و آزمایش پیش بینی مدل در مقایسه با داده های تجربی نگهداری شده برای اطمینان از تعمیم.
4. مدل آموزش دیده به یک ابزار انتخاب یکپارچه است که با توجه به مجموعه ای از الزامات کاربر (تمایل به NRC، مشخصات فرکانس، بودجه)، مواد بهینه توصیه می کند.

رویکردهای مدرن همچنین شامل شبکه های عصبی (FLT:0)فیزیک (FLT:1) است که قوانین آکوستیک شناخته شده (به عنوان مثال، مدل جانسون-Champoux-Allard برای رسانه های متخلخل) را به تابع از دست دادن، کاهش مقدار داده های آموزشی مورد نیاز و بهبود برونپولاسیون به رژیم های ناشناخته است.

انواع الگوریتم های مورد استفاده

آموزش عالی

مدل های بازگشتی (linear، ⁇ یا مبتنی بر درخت) رایج ترین ابزار نظارت شده برای انتخاب مواد آکوستیک هستند.آنها مقادیر خروجی مداوم را پیش بینی می کنند - مانند ضریب جذب در فرکانس خاص - از ویژگی های مواد ورودی - به عنوان مثال، مطالعه توسط Casalino et al. (2022) در مجله جامعه آکوستیک ایالات متحده [FVR] استفاده می شود دقت چند بعدی با نمونه های چند مورد استفاده قرار می گیرد (F1٪ از دقت اندازه گیری شده با استفاده می شود.

آموزش آموزش آموزش Unsupervised Learning

الگوریتم های خوشه ای (ک-مans، خوشه سلسله مراتبی، DBSCAN) مواد گروه با امضاهای صوتی مشابه یا ویژگی های ساختاری میکرو کمک می کند تا مهندسان خانواده های مواد را شناسایی کنند که ممکن است به عنوان جایگزین عمل کنند، یا عناصری را که رفتار غیر معمول را نشان می دهند، تجزیه و تحلیل های فوق العاده ای ممکن است نشان دهد که برخی از خوشه های نساجی بازیافت شده با پشم سنتی، که نشان می دهد جایگزین های سازگار با محیط زیست سازگار است.

آموزش تقویت

یادگیری تقویت کننده (RL) به ویژه هنگامی مفید است که فرآیند انتخاب شامل تصمیمات متوالی است - به عنوان مثال، لایه سازی مواد متعدد برای تشکیل یک پانل کامپوزیت. یک عامل RL با یک محیط شبیه سازی (یا یک مدل سورروgate) ارتباط برقرار می کند و پاداشی را بر اساس چگونگی نزدیک شدن عملکرد صوتی مونتاژ نهایی به هدف دریافت می کند.

مزایای استفاده از ماشین یادگیری

پذیرش یادگیری ماشین در انتخاب مواد آکوستیک بهبود ملموس در سراسر چرخه عمر محصول را ارائه می دهد:

• [[ویرایش]] مدل ML آموزش دیده می تواند هزاران مواد کاندید را در ثانیه ارزیابی کند، کاهش حلقه طراحی آن از هفته ها تا ساعت ها. برای مثال، پیاده سازی در شرکت های آکوستیک معماری گزارش 60 - 80٪ در زمان تست مواد.
• صرفه جویی در Cost : نمونه های فیزیکی کمتر مورد نیاز است.در بخش خودرو، که در آن راحتی آکوستیک یک عامل کلیدی است، عایق های خط لوله بهینه ML هزینه های توسعه را به اندازه 30٪ کاهش داده اند در حالی که سر و صدا، لرزش و خشن بودن (NH) اهداف.
• مشتری سازی : مدل های ML می توانند تنظیم شوند تا برای معیارهای چند منظوره بهینه سازی شوند: به عنوان مثال، جذب در فرکانس های پایین در حالی که به حداقل رساندن ضخامت و وزن مهم است برای پانل های آکوستیک هوافضا و قابل حمل که فضا در یک حق بیمه است.
• [FLT:] با کاوش فضای ویژگی فراتر از شهود انسان، ML می تواند ترکیب مواد غیرمتعارف را پیشنهاد کند - مانند یک فوم درجه بندی شده با تکرارکنندگان تعبیه شده - که از محصولات تجاری استاندارد مانند soundLa در حال حاضر توصیه های صوتی ML را بهبود می بخشد که داده های بیشتر به عنوان بهبود می یابد.

علاوه بر این، ادغام ML با ابزارهای شبیه سازی مبتنی بر فیزیک، جریان های کاری “دموم دیجیتال” را فراهم می کند. مهندسان می توانند شبیه سازی کنند که چگونه یک ماده توصیه شده تحت شرایط دنیای واقعی (تغییرات دما، پیری، تغییرات نصب) قبل از انجام خرید یا نصب انجام می شود.

چالش ها و مسیرهای آینده

کیفیت داده ها و دسترسی

مدل های ML تنها به اندازه داده های آموزشی خود خوب هستند.داده های مواد آکوستیک اغلب ناقص، متناقض در آزمایشگاه ها، و یا محدود به طیف محدودی از فرکانس ها و ضخامت ها. پایگاه های استاندارد - مشابه با NIST مواد repository - به شدت مورد نیاز است تا زمانی که پزشکان باید در داده های دقیق و تقویت (به عنوان مثال استفاده از داده های عمومی).

قابلیت پیش بینی مدل Interpretability

مهندسان و مشخص کنندگان ممکن است برای اعتماد به توصیه "جعبه سیاه" به ویژه برای برنامه های ایمنی بحرانی مانند سقف های آکوستیک آتش نشانی تردید کنند. تکنیک هایی مانند SHAP (برنامه ریزی افزودنی افزودنی محدود) و LIME می تواند بینش های مهمی را ارائه دهد، توضیح می دهد (FLT:0 چرا F:1 [F1] یک ماده خاص انتخاب شد.

ادغام با نرم افزار شبیه سازی آکوستیک

ابزارهای شبیه سازی فعلی (ODEON، COMSOL، EASE) به طور بومی طراحی نشده اند تا پیش بینی ML را مصرف کنند. Bricing این شکاف نیاز به توسعه API ها یا پلاگین هایی دارد که به مدل های ML اجازه می دهد تا خواص مواد را به طور مستقیم به پیش بینی های صوتی اتاق تغذیه کنند. برخی از گروه های تحقیقاتی بر روی surrogate که جایگزین بخش هایی از حل کننده FEM هستند.

مسیر های آینده

• آموزش و پرورش : مدل های پیش تمرین بر مجموعه داده های بزرگ از دامنه های مرتبط (به عنوان مثال عایق حرارتی، مرطوب کننده لرزش) و با دقت در مجموعه داده های صوتی کوچکتر برای کاهش الزامات داده ها.
• ] طراحی نسلی : استفاده از خودکارسازهای متنوع یا GANs برای پیشنهاد ساختارهای کاملاً جدید ریز مواد بهینه شده برای طیف صوتی هدف.
• یادگیری فعال : الگوریتم هایی که به طور خودکار انتخاب می کنند، برنامه های آموزنده ترین آزمایش ها را برای اجرای بعدی، سرعت بخشیدن به ایجاد مجموعه های آموزش با کیفیت بالا.
• استقرار ؛ مدل های ML سبک که بر روی گوشی های هوشمند یا سنسورهای IoT اجرا می شوند، اجازه می دهد انتخاب مواد در محل و تنظیم زمان واقعی از درمان های صوتی در سالن.

مسیر پیش رو خواستار همکاری نزدیک بین آکوستیک، دانشمندان داده ها و مهندسان مواد است.سازمان های حرفه ای مانند جامعه آکوستیک آمریکا و موسسه مهندسی کنترل صدا شروع به حمایت از کارگاه های AI در آکوستیک، نشان دادن به رسمیت شناختن رو به رشد از پتانسیل تحول ML گسترش داده ها و الگوریتم های بالغ، یادگیری ماشین تبدیل به یک جزء استاندارد از هر ابزار طراحی آکوستیک نه تخصص انسانی، بلکه تقویت آن است.