Experimental validation for fata driven Near-Field Acoustic Holography

Within the sound source localization methods used in noise control and sound radiation analysis, Near-Field Acoustic Holography (NAH) has proven to be a powerful tool for studying the acoustic field radiated by a vibrating object. NAH is commonly used to retrieve the velocity field of the source from the pressure measured on a surface placed in the proximity of the source, called hologram. Recently, Deep Learning techniques have been used as a novel approach to NAH. Specifically, Convolutional Neural Networks (CNN) have been adopted to increase the performance with respect to previous state of the art methods. However, an experimental validation of these neural networks is still missing. This thesis aimed at validating experimentally this novel approach. For this purpose, we designed and assembled an experimental setup for measuring the pressure in the near-field radiated by a vibrating violin plate. We focused our study on this object because it is a complex shaped sources, hence a realistic test case. From the measured acoustic field we predicted the velocity of the violin plate using the method of NAH based on the CNN. For the validation, we compared the predictions with the actual measured velocity. From an analysis of the comparison we concluded that the networks are partially able to predict the velocity field of a violin plate. The results showed a difference in robustness to noise and accuracy of the predictions between two neural networks under study. % Finally, the study's main conclusions are stated, showing how the results answer the study's objective. As this research focused on a practical problem, it also includes recommendations. With that said, this data driven approach is based on simulated dataset. Therefore, to improve the networks performance, we believe that experimental data should be taken into account in future developments.

Tra i metodi per la localizzazione di sorgenti sonore utilizzati nel controllo del rumore e nello studio della radiazione acustica, la Near-Field Acoustic Holography (NAH) ha dimostrato di essere uno strumento efficace per l'analisi dell'intero campo acustico irradiato da una sorgente sonora. Comunemente la NAH viene impiegata per la ricostruzione del campo di velocità della sorgente dalla pressione misurata su un ologramma, cioè una superficie posizionata vicino alla sorgente stessa. Recentemente sono state impiegate tecnologie di Deep Learning nell'ambito della NAH. Nello specifico, reti neurali convoluzionali (CNN) sono state usate come approccio innovativo alla NAH per migliorare le performance rispetto ai metodi della letteratura scientifica. Tuttavia, tale approccio con le reti neurali non è stato validato sperimentalmente. Lo scopo di questo progetto di tesi è pertanto quello di validare tali metodologie anche sul piano sperimentale. Per tale scopo, è stato progettato e realizzato un apparato sperimentale atto ad effettuare misure del campo acustico nel near-field irradiato da una tavola di violino. La scelta di questa sorgente sonora è motivata dal fatto che si tratta di un oggetto dalla forma complessa e non convenzionale, che può efficacemente rappresentare un caso realistico. Con il campo di pressione si è potuto predire la velocità del piatto di violino, grazie all'uso delle rete neurali. La validazione della metodologia consiste nel confronto tra la predizione e le misure reali della velocità. Da questo confronto abbiamo concluso che le reti sono parzialmente in grado di stimare il campo di velocità di un piatto di violino. I risultati ottenuti mostrano una differenza in termini di accuratezza della predizione e robustezza al rumore per due reti neurali. Con questo detto, l'approccio data-driven è basato su dati simulati. Per tale motivo, per migliorare le prestazioni delle reti neurali, crediamo che i dati sperimentali che abbiamo raccolto debbano essere presi in considerazione negli sviluppi futuri.