Acoustic noises are one of the main elements which affect the human perception altering the personal comfort level. Therefore, the characterization of mechanical vibrations responsible for acoustic noise emissions is becoming of crucial interest to the research community and it can be carried out through modal analysis. Among different mechanical measurement techniques, Near-field Acoustic Holography (NAH) represents a powerful tool for the contactless modal analysis. It aims at the reconstruction of the vibrational field on plates starting from the acoustic data captured in proximity of the vibrating object. However, the identification of this inverse propagation relation is a highly ill-conditioned problem, thus it requires a regularization technique. In this thesis, we propose a data-driven approach to NAH based on Convolutional Neural Networks (CNN). We focused on Convolutional Autoencoders, thus proving that these architectures can infer useful information from the pressure data in order to properly predict the desired velocity field. Starting from preliminary studies on planar rectangular plates made of isotropic material, we analysed the vibrational behaviour of complex geometries. In particular, we applied the devised methodology to violin top plates made of wood, known to be orthotropic. In both cases, we have conducted an extensive simulation campaign with Finite Element Method (FEM) in order to build a synthetic dataset composed by acoustic pressure and velocity fields. We validated the proposed network by comparing the output predictions with the velocity ground truth coming from the FEM simulations. Hence, its performance was assessed by means of the Normalized Mean Square Error and the Normalized Cross Correlation metrics. Furthermore, in order to evaluate the robustness of the devised model against real measurement setups, we performed several analyses with additive noise on the input pressure data and with errors in the microphone positioning definition. In addition, in the violin plate case we also investigated the robustness of the model to unknown data. Results are promising as they show a good prediction of the velocity patterns also with corrupted input data. Nevertheless, some reconstructions present scaling bias errors, thus requiring improvements with the introduction of physics-informed CNN architectures.

I rumori acustici sono uno dei principali elementi che influenzano la percezione umana alterando il livello di comfort personale. Pertanto, la caratterizzazione delle vibrazioni meccaniche, responsabili delle emissioni acustiche, sta diventando di fondamentale interesse per la comunità scientifica e può essere realizzata attraverso l’analisi modale. Tra le diverse tecniche di misurazioni meccaniche, l’olografia acustica in campo vicino (NAH) rappresenta un potente strumento per l’analisi modale senza contatto. Essa mira alla ricostruzione del campo vibrazionale su piastre a partire dai dati acustici rilevati in prossimità dell’oggetto vibrante. Tuttavia, l’identificazione di questa relazione inversa di propagazione è un problema altamente mal condizionato, che richiede quindi una tecnica di regolarizzazione. In questa tesi, proponiamo un approccio data-driven per NAH basato su reti neurali convoluzionali (CNN). Ci siamo concentrati sugli autoencoder convoluzionali dimostrando così come queste architetture possano dedurre informazioni utili dai dati di pressione al fine di prevedere correttamente il campo di velocità desiderato. Partendo da studi preliminari su piastre rettangolari planari di materiale isotropico, abbiamo poi analizzato il comportamento vibrazionale di geometrie complesse. In particolare, questa metodologia è stata applicata alle tavole armoniche di violini in legno ortotropo. In entrambi i casi, abbiamo condotto una vasta campagna di simulazioni con il metodo a elementi finiti (FEM), al fine di costruire un set di dati sintetico composto da campi di pressione acustica e di velocità. Abbiamo convalidato la rete proposta confrontando le predizioni in uscita con la ground truth delle velocità fornite dalle simulazioni. Le prestazioni sono state valutate mediante le metriche dell’errore quadratico medio normalizzato e la cross-correlazione normalizzata. Inoltre, al fine di valutare la robustezza del modello rispetto a configurazioni di misurazione reali, abbiamo eseguito diverse analisi con rumore additivo sui dati di pressione in ingresso e con errori nella definizione di posizionamento dei microfoni. Nel caso delle tavole di violino abbiamo poi studiato la robustezza del modello anche rispetto a dati mancanti. I risultati sono promettenti in quanto i modelli forniscono buone predizioni delle velocità anche con dati di input corrotti. Tuttavia, alcune ricostruzioni presentano errori di scala che richiedono miglioramenti con architetture CNN basate sulla fisica del problema.

An approach for near-field acoustic holography based on convolutional autoencoders

Olivieri, Marco
2019/2020

Abstract

Acoustic noises are one of the main elements which affect the human perception altering the personal comfort level. Therefore, the characterization of mechanical vibrations responsible for acoustic noise emissions is becoming of crucial interest to the research community and it can be carried out through modal analysis. Among different mechanical measurement techniques, Near-field Acoustic Holography (NAH) represents a powerful tool for the contactless modal analysis. It aims at the reconstruction of the vibrational field on plates starting from the acoustic data captured in proximity of the vibrating object. However, the identification of this inverse propagation relation is a highly ill-conditioned problem, thus it requires a regularization technique. In this thesis, we propose a data-driven approach to NAH based on Convolutional Neural Networks (CNN). We focused on Convolutional Autoencoders, thus proving that these architectures can infer useful information from the pressure data in order to properly predict the desired velocity field. Starting from preliminary studies on planar rectangular plates made of isotropic material, we analysed the vibrational behaviour of complex geometries. In particular, we applied the devised methodology to violin top plates made of wood, known to be orthotropic. In both cases, we have conducted an extensive simulation campaign with Finite Element Method (FEM) in order to build a synthetic dataset composed by acoustic pressure and velocity fields. We validated the proposed network by comparing the output predictions with the velocity ground truth coming from the FEM simulations. Hence, its performance was assessed by means of the Normalized Mean Square Error and the Normalized Cross Correlation metrics. Furthermore, in order to evaluate the robustness of the devised model against real measurement setups, we performed several analyses with additive noise on the input pressure data and with errors in the microphone positioning definition. In addition, in the violin plate case we also investigated the robustness of the model to unknown data. Results are promising as they show a good prediction of the velocity patterns also with corrupted input data. Nevertheless, some reconstructions present scaling bias errors, thus requiring improvements with the introduction of physics-informed CNN architectures.
MALVERMI, RAFFAELE
PEZZOLI, MIRCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
1-ott-2020
2019/2020
I rumori acustici sono uno dei principali elementi che influenzano la percezione umana alterando il livello di comfort personale. Pertanto, la caratterizzazione delle vibrazioni meccaniche, responsabili delle emissioni acustiche, sta diventando di fondamentale interesse per la comunità scientifica e può essere realizzata attraverso l’analisi modale. Tra le diverse tecniche di misurazioni meccaniche, l’olografia acustica in campo vicino (NAH) rappresenta un potente strumento per l’analisi modale senza contatto. Essa mira alla ricostruzione del campo vibrazionale su piastre a partire dai dati acustici rilevati in prossimità dell’oggetto vibrante. Tuttavia, l’identificazione di questa relazione inversa di propagazione è un problema altamente mal condizionato, che richiede quindi una tecnica di regolarizzazione. In questa tesi, proponiamo un approccio data-driven per NAH basato su reti neurali convoluzionali (CNN). Ci siamo concentrati sugli autoencoder convoluzionali dimostrando così come queste architetture possano dedurre informazioni utili dai dati di pressione al fine di prevedere correttamente il campo di velocità desiderato. Partendo da studi preliminari su piastre rettangolari planari di materiale isotropico, abbiamo poi analizzato il comportamento vibrazionale di geometrie complesse. In particolare, questa metodologia è stata applicata alle tavole armoniche di violini in legno ortotropo. In entrambi i casi, abbiamo condotto una vasta campagna di simulazioni con il metodo a elementi finiti (FEM), al fine di costruire un set di dati sintetico composto da campi di pressione acustica e di velocità. Abbiamo convalidato la rete proposta confrontando le predizioni in uscita con la ground truth delle velocità fornite dalle simulazioni. Le prestazioni sono state valutate mediante le metriche dell’errore quadratico medio normalizzato e la cross-correlazione normalizzata. Inoltre, al fine di valutare la robustezza del modello rispetto a configurazioni di misurazione reali, abbiamo eseguito diverse analisi con rumore additivo sui dati di pressione in ingresso e con errori nella definizione di posizionamento dei microfoni. Nel caso delle tavole di violino abbiamo poi studiato la robustezza del modello anche rispetto a dati mancanti. I risultati sono promettenti in quanto i modelli forniscono buone predizioni delle velocità anche con dati di input corrotti. Tuttavia, alcune ricostruzioni presentano errori di scala che richiedono miglioramenti con architetture CNN basate sulla fisica del problema.
File allegati
File Dimensione Formato  
TESI_Olivieri.pdf

non accessibile

Descrizione: Master Thesis - Olivieri
Dimensione 8.52 MB
Formato Adobe PDF
8.52 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/10589/167039