Theoretischen Modellen für das Schallfeld über porösen Absorbern 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, sodass zusätzliche Beugungsfelder an den Kanten dort nicht berücksichtigt werden. In dieser Arbeit wird daher ein Ansatz basierend auf überwachtem maschinellen Lernen zur Modellierung des Kanteneffektes vorgestellt, der exemplarisch sowohl für Support-Vector-Machines als auch für neuronale Netze untersucht wird. Die beugungsbedingten Abweichungen zwischen dem analytischen Modell von Allard et al. und numerischen FEM-Berechnungen quadratischer Absorberproben werden dabei als Zielwerte für das Training verwendet, wobei neben Strömungswiderstand, Materialdicke und Kantenlänge der Probe, ebenfalls die Frequenz sowie die Positionen der Schallquelle und des Empfängers variiert werden. Die so trainierten Modelle lieferten in allen untersuchten Fällen überzeugende Ergebnisse und stellen eine signifikante Verbesserung zum rein analytischen Modell ohne Kanteneffektkorrektur dar.

Melden Sie sich hier an um die Einladung zu dem Vortrag per E-Mail zu erhalten.
Register here to receive the invitation to this talk via E-Mail.

Zoom-Meeting-ID: TBA
Passwort: TBA