Machine Learning zur Modellierung des Kanteneffekts bei Porösen Absorbern
* Presenting author
Abstract:
Theoretischen Modellen für das Schallfeld über Absorbern bzw. Impedanzebenen liegt in der Regel die Annahme einer mindestens in einer Dimension unendlich ausgedehnten Materialschicht zugrunde. In der praktischen Anwendung, zum Beispiel bei der inversen Bestimmung von Material- oder Oberflächeneigenschaften aus Schalldruckmessungen über allseitig finiten Proben, haben derartige analytische Ansätze entsprechend Grenzen. In diesem Beitrag stellen wir einen Ansatz, basierend auf überwachtem maschinellem Lernen, zur Modellierung des Kanteneffektes vor, für den die beugungsbedingten Abweichungen zwischen einem analytischen Modell von Allard et al. und numerischen FEM-Berechnungen quadratischer Absorberproben untersucht wurden. Variiert wurden zur Erzeugung der Trainingsdaten neben Strömungswiderstand, Materialdicke und Kantenlänge der Probe, ebenfalls die Frequenz sowie die Positionen von Quelle und Empfänger. Es lässt sich zeigen, dass sowohl Support-Vector-Machines, als auch insbesondere neuronale Netze in der Praxis nicht nur eine valide Ergänzung existierender Schallfeldmodelle, sondern für wohldefinierte Anwendungsfälle möglicherweise sogar eine adäquate Alternative zu wiederholt durchgeführten, aufwändigen FEM-Simulationen darstellen können und sich somit für das inverse Problem der Parameterschätzung und Materialklassifikation eignen.