Hiểu sự lựa chọn vật chất Acoustic

Chọn vật liệu âm thanh đúng là cơ bản để điều khiển âm thanh trong khoảng cách như phòng hòa nhạc, phòng thu âm, văn phòng kế hoạch mở và cơ sở công nghiệp. Phương pháp truyền thống phụ thuộc rất nhiều vào trực giác chuyên gia, bảng kiểm tra tính chất vật lý và thử nghiệm định nghĩa. Các kỹ sư thường tham khảo âm thanh như các hệ số hòa âm (NC, SA), đánh giá độ mất mát (STC), và tính toán ống, kết hợp với các mô phỏng vật liệu đa năng (v. d., sử dụng tia hay phương pháp hạn chế). Quá trình này thường tốn kém và thường tốn kém nhiều lần lặp lại các vật liệu và có thể không gian, như là các vật liệu tổng hợp hay siêu tân tiến hóa.

Những tham số vật chất then chốt ảnh hưởng đến hiệu suất âm thanh bao gồm:

  • Mở rộng hệ số hấp thụ ) – phần nhỏ năng lượng âm thanh bị hấp thụ, thường được đo ở nhiều tần số (125 Hz đến 4 kHz).
  • Độ kháng cự – — kháng cự không khí qua các vật liệu có độ phân giải thấp.
  • Độ sáng và độ sáng – tính năng vi cấu trúc giúp xác định sóng âm tương tác với ma trận vật chất như thế nào.
  • Độ dày và độ lớn ) — ảnh hưởng đến sự truyền nhiễm và rung động.
  • Khả năng tái tạo, đánh giá cháy, và chi phí – những hạn chế thực tế ảnh hưởng đến việc triển khai thế giới thực.

Với hàng trăm vật liệu sẵn có và vô số các tổ hợp tổng hợp, các kỹ sư đối mặt với một vấn đề tối ưu tối ưu. máy học cung cấp một cách có hệ thống để định hướng sự phức tạp này bằng cách học các mẫu từ dữ liệu mà cấu trúc vật chất vi mô liên quan và tính chất vĩ mô với kết quả âm thanh.

Làm thế nào máy học nâng cao tiến trình chọn lựa

Học tập (ML) thuật toán học (ML) tiêu thụ một khối lớn dữ liệu lịch sử ví dụ như cơ sở dữ liệu vật liệu, kết quả lỗ hổng ống, phòng đo phản ứng phản ứng, và dự đoán bản ghi chép hiệu suất - để xây dựng mô hình dự đoán mà ước tính một vật liệu mới hoặc tổ hợp sẽ hoạt động như thế nào trong một môi trường acoustic. Thay vì chạy hàng trăm mô phỏng hoặc xây dựng nguyên mẫu vật lý, các kỹ sư có thể truy vấn một mô hình ML đã học được ẩn từ dữ liệu, tăng tốc độ nhanh chóng chu kỳ thiết kế.

Dòng chảy công việc điển hình bao gồm nhiều giai đoạn:

  1. Bộ sưu tập và tính năng kỹ thuật . Tính chất vật chất (sự tối, độ dày, độ dày, đường kính sợi, v. v.) được chiết xuất dọc theo các phép đo âm âm. Tính năng cũng có thể bao gồm biến môi trường (thường, độ ẩm) và điều kiện lắp đặt (kiểu gắn kết, khoảng cách không khí).
  2. đào tạo . Một thuật toán giám sát học tập - như một rừng ngẫu nhiên, hỗ trợ máy véc tơ, hoặc mạng thần kinh - được đào tạo trên một bộ dữ liệu nhãn nơi mà các tính năng nhập vào bản đồ để xuất ra âm thanh abrorpation hoặc giảm nhiễu.
  3. Những dự đoán của mô hình này so sánh với dữ liệu thử nghiệm không thể kiểm tra để đảm bảo tổng quát hóa.
  4. Mô hình đã được đào tạo được hợp nhất thành một công cụ chọn mà cho một tập hợp các yêu cầu của người dùng (bị hủy bỏ, hồ sơ tần số, ngân sách), khuyến khích vật liệu tối ưu.

Cách tiếp cận hiện đại mô hình cơ học cho các phương tiện truyền thông bị mất, giảm lượng dữ liệu đào tạo và cải thiện các chế độ không nhìn thấy. Cách tiếp cận này đặc biệt có giá trị khi dữ liệu thử nghiệm bị suy giảm.

Kiểu thuật toán dùng

Học siêu giám sát

Mô hình xâm nhập (dòng chữ, đa thức, hay gốc cây) là những công cụ được giám sát phổ biến nhất cho việc chọn vật liệu acoustic. Chúng dự đoán giá trị xuất liên tục (như hệ số thu nhập của Hiệp hội Acustical America [FL:1) sử dụng các cây có màu lục (FL: 1 độ dốc) để dự đoán sự tăng cường của các mẫu với độ chính xác 5% trong vòng 5%. (2022) và nhiều hệ số khác nhau.

Học hỏi vô điều kiện

Các thuật toán phân nhóm ( k-mean, cụm phân loại, DBSCAN) với các vật liệu phân tích không được giám sát có thể cho thấy rằng một số mạng dệt tái tạo gần gũi với sợi len khoáng chất truyền thống, đề nghị tính bền vững của chúng như là thay thế môi trường.

Học thêm lực

Việc học tập thêm (RL) đặc biệt hữu ích khi tiến trình lựa chọn bao gồm các quyết định định định định định định định định sau cùng. g., chất nhiều vật liệu để tạo thành một bảng điều khiển tổng hợp. Một tác nhân RL tương tác với môi trường mô phỏng (hay mô hình thay thế) và nhận được phần thưởng dựa trên cách đóng kết hợp hoạt động của hội nghị cuối cùng đến mục tiêu. Hơn nhiều lần lặp, tác nhân học cách sắp xếp theo chuỗi xếp và kết hợp độ dày tối ưu. Cách tiếp cận này đã được chứng minh trong việc thiết kế nhiều máy phát âm thanh đa chậm cho các cabin tự động.

Lợi ích của việc dùng máy móc để học

Sự chấp nhận của máy học trong chọn lựa vật liệu âm thanh cung cấp những cải tiến hữu hình trên các sản phẩm xe đạp sống:

Hơn nữa, việc kết hợp ML với các công cụ mô phỏng dựa trên vật lý giúp cho “các dòng điện sinh đôi làm việc với nhau, các kỹ sư có thể mô phỏng cách một vật liệu được đề nghị sẽ thực hiện dưới điều kiện thực tế (các biến thể hiện thời, lão hóa, tăng dần) trước khi quyết định mua hoặc cài đặt.

Thử thách và sự hướng dẫn trong tương lai

Chất lượng dữ liệu và khả năng hoạt động

Mô hình ML chỉ tốt như dữ liệu đào tạo của họ. Các bộ dữ liệu vật liệu Acous thường không đầy đủ, không tương thích với phòng thí nghiệm, hoặc giới hạn trong phạm vi hẹp của tần số và độ dày. [FLT: 0] cơ sở dữ liệu [FLT: 1] [FLT: 1] [v. d. mô hình cấu hình cấu hình cấu hình cấu hình cấu hình dữ liệu hợp lệ.

Khả năng giải mã mô hình

Các kỹ sư và nhà quang phổ có thể ngần ngại tin vào “một lời khuyên của hộp đen, đặc biệt là những ứng dụng quan trọng như trần âm thanh có độ cháy.

Hợp nhất với phần mềm mô phỏng Acoustic

Công cụ mô phỏng hiện thời (ODEON, COMSOL, EASE) không được thiết kế tự nhiên để hấp thụ các dự đoán của ML. Thiếu hụt này cần thiết phát triển ADIs hoặc plugins cho phép mô hình ML cung cấp các tính chất vật chất trực tiếp vào phòng acoustic. Một số nhóm nghiên cứu đang làm việc trên [FLT: 0] mô hình thay thế các phần của giải quyết FEMr[FL:1), cho phép dự đoán thời gian thực sự hiệu quả nhất.

Hướng tương lai

  • Transfer học ): Sắp xếp các mô hình trên các bộ dữ liệu lớn từ miền liên quan (v. d., cách nhiệt nhiệt, độ ẩm rung động) và cấu hình nhỏ hơn để giảm yêu cầu dữ liệu.
  • Thiết kế tính toán ): sử dụng các tự động mã đa dạng hoặc GNs để đề xuất hoàn toàn mới cấu trúc vật liệu tối ưu hóa cho một quang phổ âm thanh đích.
  • Học tập ): các thuật toán tự động chọn những thí nghiệm có tính năng thông tin nhất để chạy tiếp theo, tăng tốc việc tạo ra các bộ đào tạo chất lượng cao.
  • Mô hình phát triển ) Mô hình phát sáng ML chạy trên điện thoại thông minh hoặc bộ cảm biến Iot, cho phép chọn vật liệu và điều chỉnh thời gian thực của phương pháp điều trị âm thanh tại các địa điểm.

Những tổ chức chuyên nghiệp như Hiệp hội Kiểm soát Âm thanh ở Mỹ và Viện Kỹ thuật Kỹ thuật đã bắt đầu tài trợ các hội thảo về AI trong ngành âm thanh, đánh dấu sự công nhận ngày càng nhiều về tiềm năng biến đổi của ML, và khi các thuật toán mở rộng và phát triển thành những thuật toán trưởng thành, việc học sẽ trở thành thành thành thành thành phần tiêu chuẩn của mỗi thiết kế viên của máy tính - không phải thay thế chuyên môn của con người mà là phóng đại nó.