השימוש ב- Machine Learning Algorithms כדי להתאים את בחירת החומרי האקוטי

הבנה של בחירה חומרית אקוסטית

בחירת החומרים האקוסטיים הנכונים היא יסודית לשלוט בקול בחללים כמו אולמות קונצרטים, אולפנים הקלטה, משרדים פתוחים-plan, ומתקני תעשייה. גישות מסורתיות מסתמכות רבות על אינטואיציה, טבלאות אמפיריות של תכונות חומריות, ובדיקות פיזיות רציונטיביות.מהנדסים בדרך כלל מתייעץ חומרים מקלטים (NRC, SAA), דירוגי שידור (STC), ומדידות צינור יקרות, ולאחר מכן משלבים עם סימולציות אלה עם תהליכים אקוסטיים, או תהליכים מורכבים, כגון שיטות עיבוד, או תהליכים מורכבים).

פרמטרים חומריים מרכזיים המשפיעים על ביצועים אקוסטיים כוללים:

• (FLT:0)Soundקליטת סגסוגת (α)FreaLT:1) - השבריר של חומרת קול נספגת אנרגיה, בדרך כלל נמדדת במספר תדרים (125 הרץ עד 4 kHz).
• (ב) [15] ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0)Porosity and tortuosityFelothal1) - תכונות מיקרו-אורטוריות הקובעות כיצד גלי קול אינטראקציה עם המריצה החומרית.
• (ב) ,0) ,[[1924]] ו[[1924]]]]]]
• (ב) ,0) , דירוג אש ועלויות LT:1 - מגבלות מעשיות המשפיעות על פריסות בעולם האמיתי.

עם מאות חומרים זמינים ואינספור שילובים מורכבים, מהנדסים להתמודד עם בעיה אופטימיזציה ברמה גבוהה. Machine Learning מציעה דרך שיטתית לנווט המורכבות הזו על ידי דפוסי למידה מהנתונים המתואמים מיקרו-מבנה חומרים ותכונות מקרוסקופיות עם תוצאות אקוסטיות.

כיצד למידת מכונות משפרת את תהליכי הבחירה

אלגוריתמים של למידת מכונות (ML) מקיפים את הכמויות הגדולות ביותר של נתונים היסטוריים – כגון מסדי נתונים של מבנה חומרי, תוצאות צינור אימפולסיבית, מדידות תגובה דחפים לחדר, ורשומות ביצועים של פרויקטים – כדי לבנות מודלים חיזוייים אשר מעריכים כיצד חומר או שילוב חדש יתנהג בסביבה אקוסטית נתונה.במקום להפעיל באופן ידני מאות סימולציות או בניית אבטיפוס פיזי, מהנדסים יכולים לשאול מודל ML שלמד את הפיזיקה הבסיסית מהנתונים, באופן דרמטי יותר ממחזור העיצוב.

זרימת העבודה הטיפוסית כוללת מספר שלבים:

1. (FLT:0) איסוף נתונים ומאפיין הנדסה הנדסית (מקור: 1) תכונות חומריות (density, porosity, עובי, סיבים קוטר, וכו ') מופקים לצד מדידות אקוסטיות.
2. (FLT:0)Model TrainingFLT:1 אלגוריתם למידה בפיקוח - כגון יער אקראי, מכונת וקטור תמיכה או רשת עצבית - מאומן על תחילת נתונים מסומן שבו תכונות קלט ממפה כדי פלט קולטת קול או משככי רעש.
3. (ב) ויקרא י"א: ויקרא י"א) ו"התחזית של המודל" משווה את הנתונים הניסוייים של ה-NGO.
4. (FLT:0)DeploymentFLT:1 מודל מאומן משולב בכלי בחירה, אשר, בהתחשב במערך דרישות המשתמש (desired NRC, פרופיל תדירות, תקציב), ממליץ על חומרים אופטימליים.

גישות מודרניות כוללות גם את (FLT:0) רשתות עצביות בעלות מודעות ⁇ FLT:1 ⁇ אשר להטביע חוקים אקוסטיים ידועים (למשל, מודל ג'ונסון-צ'מבוקס-אלארד לתקשורת ⁇ ) לתוך תפקוד האובדן, צמצום כמות נתוני האימון הדרושים ושיפור החסימה למשטרים לא נראים.

סוגים של Algorithms המשמשים

למידה סופר-מעודכן

מודלים רגרסיה (ליני, פולינומי, או מבוסס עץ) הם הכלים המפוקחים ביותר עבור בחירה חומרית אקוסטית.הם חוזים ערכי פלט רציפה - כגון קידוד הקליטה בתדר מסוים - מתכונות חומריות קלט.לדוגמה, מחקר שנערך על ידי FLT:0Casalino et al. (2022) בכתב העת של האגודה האקלטית של אמריקה LTF:1boos לדגימות (P) נמדד גם ב-Cacted דיוקים מרובים (P) ו-P%-Cretion) עם דיוקים (מסוגלים).

למידה בלתי מבוקרת

אלגוריתמים (k-means, היררכיים, DBSCAN) עם חתימות אקוסטיות דומות או תכונות מיקרו-מבנהיות.זה עוזר למהנדסים לזהות משפחות של חומרים שעשויים לשמש כתחליף, או לזהות את החריגים שמציגים התנהגות יוצאת דופן.לדוגמה, ניתוח לא מבוקר עשוי לחשוף כי טקסטיל ממוחזר מסוים מתמזג קרוב עם מינרלים מסורתיים, מציע חלופות ידידותיות לסביבה.

Reinforcement Learning

Reinforcement למידה (RL) הוא שימושי במיוחד כאשר תהליך הבחירה כרוך בהחלטות הסתברותיות - למשל, שכבת חומרים מרובים כדי ליצור פאנל מורכב. סוכן RL אינטראקציה עם סביבת סימולציה (או מודל חלופי) ומקבל פרס על בסיס כמה קרוב הביצועים האקקוטיים של האסיפה הסופית מגיע ליעד.

היתרונות של שימוש ב- Machine Learning

אימוץ של למידת מכונה בבחירת חומר אקוסטי מספק שיפורים מוחשיים על פני מחזור חיי המוצר:

• (FLT:0)EfficiencyFLT:1: מודל ML מאומן יכול להעריך אלפי חומרים מועמדים בשניות, צמצום לולאה עיצובית החל משבוע עד שעות.לדוגמה, יישום טייס 2 בחברות ארכיטקטוניות FIRD) דיווח על 60–80% חיתוך בזמן בדיקות חומרים.
• (FLT:0) חיסכון משותף (FLT:1): כמה אבטיפוס פיזיקליים נדרשים.במגזר הרכב, שבו נוחות אקוסטית היא מבדל מפתח, ML-optimized דיוסולators הפחיתו את עלויות הפיתוח ב- 30% בעת עמידה ברעש, רטט ונוקשות (NVH) מטרות.
• (FLT:0)CustomizationFLT:1: מודלים ML ניתן לכוונון לאופטימיזציה עבור קריטריונים רב-אובייקטיביים: למשל, למקסם את ספיגה בתדרים נמוכים תוך צמצום עובי ומשקל.זה קריטי עבור חלל ופאנלים אקוסטיים ניידים שבו החלל נמצא בקרן.
• (FLT:0) InnovationFLT:1: על ידי חקר החלל המאפיין מעבר לאינטואיציה האנושית, ML יכול להציע שילובים חומריים לא קונבנציונליים - כגון קצף בעל רמה גבוהה עם resonators מוטבע - כי מוצרים מסחריים סטנדרטיים סטנדרטיים. Startups כמו FLT:2SoundLayerFLT 3 עכשיו מציעים פלטפורמות חומר אקוסטי מונעים מ-ML כי הוא שיפור מתמיד של נתונים.

יתר על כן, שילוב ML עם כלים סימולציה המבוססים על פיזיקה מאפשר זרימת עבודה "תאום דיגיטלי" מהנדסים יכול לדמות כיצד חומר מומלץ יבצע בתנאים בעולם האמיתי (ריאציות זמניות, הזדקנות, וריאציות עליות) לפני ביצוע רכישה או התקנה.

אתגרים וכיוונים עתידיים

איכות נתונים וזמינות

מודלים של ML הם רק טוב כמו נתוני האימון שלהם. ⁇ חומרים חומרים הם לעתים קרובות לא שלמים, עקביים על פני מעבדות, או מוגבל למגוון צר של תדרים ועוביים.FLT:0andardized מסדי נתונים (ראה FLT:1 - בדומה ל-T חומרים נתונים Repository - נדרשים באופן ביקורתי.

מודל Interpretability

מהנדסים ומדגימים עשויים להסס לסמוך על המלצה "קופסא שחורה", במיוחד עבור יישומים קריטיים בטיחותיים כמו תקרה אקוסטית מותנית באש.טכניקות כגון SHAP (SHapley Additive exPlanations) ו-LIME יכולים לספק תובנות חשובות, המסבירות את ה-FLT:0) מדוע FLT:1 נבחר חומר מסוים.

אינטגרציה עם Acoustic Simulation Software

כלי סימולציה נוכחיים (ODEON, COMSOL, EASE) אינם מיועדים באופן מקורי לתחזיות ML . Bridging הפער הזה דורש פיתוח API או Plug-ins המאפשרים מודלים של ML להאכיל תכונות חומריות ישירות לתוך תחזיות אקוסטיות חדר.חלק מקבוצות מחקר עובדים על FLT:0surrogate מודלים אשר מחליפים חלקים של FEM SolLTFLT1, המאפשרים אופטימיזציה אינטראקטיבית אמיתית.

כיוונים עתידיים

• (FLT:0) למידה ממולאת 1:1; מודלים מנחים על נתונים גדולים מתחומים קשורים (למשל, בידוד תרמי, שחיקה רטט) וכוונון עדין על נתונים אקוסטיים קטנים יותר כדי להפחית את דרישות הנתונים.
• (FLT:0) עיצוב גרפי של עיצוב LT:1: שימוש ב autoencoders וריאציות או gans להציע מיקרו-מבנה חומרים חדש לגמרי מותאם לספקטרום צליל מטרה.
• (ב) [ה]: [ה], [ה]: אלגורית'מים שבחרו באופן אוטונומי את הניסויים המודיעים ביותר לרוץ קדימה, ובכך הם מאיצים את יצירתם של קבוצות הכשרה איכותיות.
• (FLT:0) ,Edge פריסה FLT:1: מודלים קלים במשקל ML לרוץ על סמארטפונים או חיישני IoT, המאפשרים על-ידי בחירת חומרים באתר וכוונון בזמן אמת של טיפולים אקוסטיים במקומות.

הדרך קדימה דורש שיתוף פעולה הדוק בין אקוסטיקאים, מדעני נתונים ומהנדסים חומריים.ארגונים מקצועיים כמו האגודה האקזוטית של אמריקה והמכון להנדסה שליטה Noise החלו לממן סדנאות ב-AI באקוטיקה, תוך אות הכרה גוברת בפוטנציאל הטרנספורמציה של ML.As Datasets להתרחב ואלגוריתמים בוגרים, למידת תהפוך למרכיב סטנדרטי של כל כלי העיצוב האקוסיבי – לא להחליף מומחיות אנושית, אלא להגביר אותה.