The study of vibrations in musical instruments is a crucial aspect in their design and construction, as it determines their acoustical characteristics. Such study can be carried out through modal analysis, a field of interest of many different disciplines, which consists in the identification of the modes of vibration in the system through a set of proper parameters. Such parameters are, in particular, mode frequencies and the corresponding mode shapes. The procedure requires the acquisition of a large amount of experimental data, in particular as regards mode shapes. In order to retrieve a sufficient information about the vibrational patterns, it is necessary to measure the response of the system to an impulsive excitation on a set of different positions. It is then possible to obtain the whole mode shape through interpolation. The resolution of the mode shapes is determined by the Nyquist-Shannon sampling condition, which usually reflects in a large number of measurements to be carried out. As it is generally a time-consuming process, the derivation of techniques to gather the same amount of information from a reduced number of measurements is desirable. In this work, we propose a data-driven methodology for vibrational analysis of rectangular plates, envisioning a possible application of this system in the field of musical acoustics. As regards the identification of modal frequencies, we propose an end-to-end approach based on a convolutional neural network, while a convolutional autoencoder with additional max pooling residual connections is introduced for the reconstruction of the mode shapes from a sub-Nyquist sampling. We tested the presented models on synthetic datasets of isotropic rectangular plates with simply supported edges. The data is generated varying the geometric and material properties of the objects. We investigated the performance of the networks in different scenarios, in particular evaluating their capability to deal with noisy inputs and unseen data samples. The results show the effectiveness of the proposed approach in the field of modal analysis, outlining the generalization to objects with arbitrary geometries and measurements acquired on real structures.

Lo studio delle vibrazioni costituisce un aspetto cruciale della progettazione e della costruzione degli strumenti musicali, poiché determina le loro proprietà acustiche. Tale studio può essere eseguito per mezzo dell'analisi modale, un approccio adotatto in varie discipline, la quale consiste nell'identificazione dei modi di vibrazione presenti nel sistema per mezzo di un insieme di parametri adeguati, in particolare delle frequenze modali e delle corrispondenti forme modali. La procedura richiede l'acquisizione di un numero elevato di dati sperimentali, in particolare per quanto riguarda l'identificazione delle forme modali. Per ottenere una ricostruzione esplicativa dei pattern di vibrazione, infatti, è necessario acquisire la risposta ad un segnale impulsivo del sistema in diversi punti. In seguito, dai dati ottenuti è possibile ricavare la forma modale per mezzo di un'adeguata interpolazione. La risoluzione delle forme modali è legata alla condizione di campionamento di Nyquist-Shannon, che ne vincola il numero di misure. Di conseguenza l'analisi modale è generalmente un processo laborioso, per questo è di particolare interesse lo sviluppo di tecniche che permettano di ottenere informazioni ugualmente accurate con un numero ridotto di misure. In questa tesi viene proposto un approccio basato sui dati per l'analisi vibrazionale di piastre rettangolari, in vista delle possibili future applicazioni nel campo dell'acustica musicale. Per l'identificazione delle frequenze modali, proponiamo un approccio end-to-end basato su una rete neurale convoluzionale. La ricostruzione delle forme modali a partire da un sottocampionamento che non soddisfa il criterio di Nyquist viene invece affrontata utilizzando un autoencoder convoluzionale con l'aggiunta di connessioni di max pooling. La validità dei modelli proposti è stata verificata su un dataset generato sinteticamente, composto da piastre rettangolari isotrope appoggiate al contorno, in cui abbiamo variato le proprietà geometriche e dei materiali costitutivi. La performance delle reti è stata verificata considerando differenti scenari, testandone in particolare la robustezza rispetto ad input rumorosi e la capacità di generalizzare a dati non osservati durante la fase di training. I risultati ottenuti mostrano l'efficacia dell'approccio proposto nell'ambito dell'analisi modale dei sistemi considerati e ne delineano le prospettive future verso l'applicazione delle tecniche proposte su oggetti caratterizzati da geometrie arbitrarie e misurazioni acquisite da strutture reali.

A system for super resolution vibrometric analysis through convolutional neural networks

CAMPAGNOLI, CHIARA
2018/2019

Abstract

The study of vibrations in musical instruments is a crucial aspect in their design and construction, as it determines their acoustical characteristics. Such study can be carried out through modal analysis, a field of interest of many different disciplines, which consists in the identification of the modes of vibration in the system through a set of proper parameters. Such parameters are, in particular, mode frequencies and the corresponding mode shapes. The procedure requires the acquisition of a large amount of experimental data, in particular as regards mode shapes. In order to retrieve a sufficient information about the vibrational patterns, it is necessary to measure the response of the system to an impulsive excitation on a set of different positions. It is then possible to obtain the whole mode shape through interpolation. The resolution of the mode shapes is determined by the Nyquist-Shannon sampling condition, which usually reflects in a large number of measurements to be carried out. As it is generally a time-consuming process, the derivation of techniques to gather the same amount of information from a reduced number of measurements is desirable. In this work, we propose a data-driven methodology for vibrational analysis of rectangular plates, envisioning a possible application of this system in the field of musical acoustics. As regards the identification of modal frequencies, we propose an end-to-end approach based on a convolutional neural network, while a convolutional autoencoder with additional max pooling residual connections is introduced for the reconstruction of the mode shapes from a sub-Nyquist sampling. We tested the presented models on synthetic datasets of isotropic rectangular plates with simply supported edges. The data is generated varying the geometric and material properties of the objects. We investigated the performance of the networks in different scenarios, in particular evaluating their capability to deal with noisy inputs and unseen data samples. The results show the effectiveness of the proposed approach in the field of modal analysis, outlining the generalization to objects with arbitrary geometries and measurements acquired on real structures.
PEZZOLI, MIRCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
18-dic-2019
2018/2019
Lo studio delle vibrazioni costituisce un aspetto cruciale della progettazione e della costruzione degli strumenti musicali, poiché determina le loro proprietà acustiche. Tale studio può essere eseguito per mezzo dell'analisi modale, un approccio adotatto in varie discipline, la quale consiste nell'identificazione dei modi di vibrazione presenti nel sistema per mezzo di un insieme di parametri adeguati, in particolare delle frequenze modali e delle corrispondenti forme modali. La procedura richiede l'acquisizione di un numero elevato di dati sperimentali, in particolare per quanto riguarda l'identificazione delle forme modali. Per ottenere una ricostruzione esplicativa dei pattern di vibrazione, infatti, è necessario acquisire la risposta ad un segnale impulsivo del sistema in diversi punti. In seguito, dai dati ottenuti è possibile ricavare la forma modale per mezzo di un'adeguata interpolazione. La risoluzione delle forme modali è legata alla condizione di campionamento di Nyquist-Shannon, che ne vincola il numero di misure. Di conseguenza l'analisi modale è generalmente un processo laborioso, per questo è di particolare interesse lo sviluppo di tecniche che permettano di ottenere informazioni ugualmente accurate con un numero ridotto di misure. In questa tesi viene proposto un approccio basato sui dati per l'analisi vibrazionale di piastre rettangolari, in vista delle possibili future applicazioni nel campo dell'acustica musicale. Per l'identificazione delle frequenze modali, proponiamo un approccio end-to-end basato su una rete neurale convoluzionale. La ricostruzione delle forme modali a partire da un sottocampionamento che non soddisfa il criterio di Nyquist viene invece affrontata utilizzando un autoencoder convoluzionale con l'aggiunta di connessioni di max pooling. La validità dei modelli proposti è stata verificata su un dataset generato sinteticamente, composto da piastre rettangolari isotrope appoggiate al contorno, in cui abbiamo variato le proprietà geometriche e dei materiali costitutivi. La performance delle reti è stata verificata considerando differenti scenari, testandone in particolare la robustezza rispetto ad input rumorosi e la capacità di generalizzare a dati non osservati durante la fase di training. I risultati ottenuti mostrano l'efficacia dell'approccio proposto nell'ambito dell'analisi modale dei sistemi considerati e ne delineano le prospettive future verso l'applicazione delle tecniche proposte su oggetti caratterizzati da geometrie arbitrarie e misurazioni acquisite da strutture reali.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2019_12_Campagnoli.pdf

non accessibile

Descrizione: Testo della tesi a seguito di modifiche
Dimensione 3.93 MB
Formato Adobe PDF
3.93 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/152613