Design und Analyse generischer poröser Materialien mittels Machine-Learning Methoden
* Presenting author
Abstract:
Die numerische Berechnung komplexer akustischer Felder erreicht heute eine hohe Prognosequalität, selbst dann, wenn beispielsweise poröse Absorber das Feld beeinflussen. Die Berücksichtigung poröser Materialien, beispielsweise in einer FEM-Berechnung, erfordert ein detailliertes Materialmodell. Eine wesentliche Herausforderung liegt dabei in der Ermittlung der für die Materialmodelle erforderlichen Materialparameter. Während der Strömungswiderstand noch vergleichsweise einfach zu messen ist, sind beispielsweise für die Porosität oder die Tortuosität nur wenige und aufwände Messverfahren verfügbar. Überhaupt setzt die messtechnische Bestimmung von Materialparametern ganz allgemein eine vorhandene Materialprobe voraus. Die additive Fertigung (auch: 3D-Druck) bietet die Möglichkeit, generische poröse Materialien direkt herzustellen. Anhand solcher Materialproben können dann wiederum Messungen durchgeführt werden. Die Fertigung von porösen Materialien erfordert eine geometrische Beschreibung derselben. Die Geometrie allerdings hängt mit den akustischen Materialparametern nicht direkt zusammen, eine Bestimmung der zu fertigenden Geometrie aus akustischen Materialparametern ist nur näherungsweise für Spezialfälle möglich. In diesem Beitrag werden daher mittels Machine-Learning Modelle erzeugt, die zwischen geometrischen und akustischen Parametern abbilden. So wird Materialdesign, also die Bestimmung der für ein gewünschtes akustisches Verhalten erforderlichen Geometrie ermöglicht, rückwärts kann aus einer bekannten Geometrie das akustische Verhalten prognostiziert werden. Weiterhin können die Modelle genutzt werden, um den Zusammenhang zwischen Geometrie und akustischem Verhalten genauer zu analysieren.