其他
比翱工程实验室丨机器学习方法确定对阻抗管吸声系数测量的影响
阻抗管中吸声材料的声学特性的测量结果显示重现性很差，这在循环测试中得到了证明。阻抗管测量是标准化的，但缺乏对实际测量设置、样品制备和其他在实践中引入不确定性的因素的精确定义。在本文中，机器学习模型从一个阻抗管中测量的超过3000个吸收谱的大数据集中识别出哪些主要影响吸声系数的因素。试样由一种聚氨酯泡沫制成，并考虑了不同的切割技术、不同的操作员、不同的试样直径、不同的试样厚度以及将试样安装在阻抗管中的两种不同方法。可解释的机器学习技术允许识别和量化最有影响的因素，以及受这些设置因素选择影响最大的频率范围。结果表明，除了试样厚度外，操作者还通过方向和非随机关系影响吸声系数。因此，需要谨慎控制。该方法被证明是使用机器学习模型的可解释性方法从声学测量数据中发现知识的有前途的途径。
多孔材料的声学特性，例如吸声系数，对于室内声学设计或噪声控制处理以及确定多孔材料模型的材料参数非常重要。吸声系数描述了吸收声功率与入射声功率的比值。它通常是根据ISO 10534-2 (1998)在阻抗管中通过传递函数方法测量的。阻抗管测量的一个已知问题是不同实验室和材料样本之间的可重复性较差（Horoshenkov等人，2007年；Pompoli等人，2017年）。这些论文得出的结论是，应澄清标准ISO 10534-2，特别是关于 (i) 如何制造合适的试样，(ii) 如何将其正确安装在管中，(iii) 如何处理数据， (iv) 如何校准测量设置以提高重现性。同样，据报道，多孔材料的其他材料特性，例如流阻率（Pompoli等人，2017年）和粘弹性特性（Bonfiglio等人，2018年）也缺乏可重复性。 多项研究（Cummings，1991；Kang和Bolton，1995；Kino等，2012；Kino和Ueno，2007；Pilon等，2003，2004；Song和Bolton，2003；Song等，2001；Tsay和Yeh，2006年；Vigran等人，1997年）显示了边缘约束对吸收系数的影响。这些边缘约束会使材料试样变硬，从而影响低频下的声学特性（Kang和Bolton，1995年；Vigran等人，1997年）。不同的材料对边缘约束的敏感度不同，例如，气隙会影响声学特性，尤其是具有高流阻率的材料(Cummings，1991)。Pilon等人通过宏观气隙和微观多孔材料结构之间的比率量化了气隙的影响(2004)。同样，（Pilon等人，2003年）开发了一个标准，用于评估测量的吸收系数与无限大材料样本的理论值相匹配的程度。ISO 10534-2 (1998)要求试样必须装入管中，不能被压缩或凸出。应封闭管内壁和试样之间的任何间隙以避免出现空气间隙，例如，使用造型粘土、凡士林或胶带(ISO 10534–2, 1998)。Kino和Ueno (2007)提出了合适的试样尺寸，其中试样的直径比管内径略小（大约0.5-1 mm），以避免由于边缘限制对材料特性的影响。此外，这减少了试样的剪切共振（Kino和Ueno，2007）。样本的剪切共振导致传输损耗变得最小（Song等人，2001年），（Inoue和Sakuma，2017年；Song等人，2001年）对此进行了数值研究和实验性研究（Song和Bolton，2003年）。在实践中，这些边缘约束和气隙需要通过适当地制造和安装样品到管中来控制。ISO 10534-2 (1998)尚未描述如何在实践中实现这一点，但这可能是阻抗管测量重现性差的原因之一（Horoshenkov等人，2007年；Pompoli等人，2017年）。在实践中，通常测试一种材料的多个样本（Seybert等人，2013年）或小心地制造样本并将其安装到管中（Stanley，2012年），以减少由于直径或形状偏差引起的测量不确定性以及材料不均匀。
在作者之前的测量中，实验因素（例如将样品安装到阻抗管中、样本直径或切割方式）也会影响吸声系数（Wenzel等，2020）。实验设计 (Montgomery，2009) 用于确定那些可能会给吸声系数带来显著不确定性的因素。为了确定它们如何影响吸收系数谱，已经改变了五个因素，这导致了3000多次测量（Grebel，2020）：最明显的材料厚度、切割技术、直径、安装方向以及制造试样的操作员。本文建立在这个大型数据库的基础上，并为以数据驱动的方法研究上述因素的敏感性设定了起点。鉴于大数据集，这项工作采用机器学习(ML)方法来更深入地了解上述因素对吸收系数的影响。ML模型用于输出给定吸收系数的正确因子值作为输入。第二步，利用与模型无关的可解释性技术来理解ML模型的决策过程。最近，这种解释方法已被证明在从高维数据中发现科学知识方面是成功的（Kellner等，2019）。通过量化输入值的重要性，即吸收谱α(f)，对于因子值的正确预测，这项工作研究了哪个因子对吸收系数的影响最大。由于厚度会明显影响吸收系数，因此为了验证ML方法和可解释性技术，将其考虑在内。
其他因素可能会影响安装在管内的试样的边缘约束，或者可能决定气隙的数量，这已被证明会影响吸收系数测量（Cummings，1991；Kang和Bolton，1995；Kino等人。，2012；Kino和Ueno，2007；Pilon等，2003，2004；Song和Bolton，2003；Song等，2001；Tsay和Yeh，2006；Vigran等，1997）。然而，这些效应尚未通过最先进的吸收模型（例如Biot-Allard模型和扩展模型）进行建模（Allard和Atalla，2009年）。数据驱动的逆向工程方法用于从吸收系数谱中识别上述因素。神经网络的分析确定了吸收系数谱中的重要特征。这些特征在一定程度上受试样因素的影响。结果表明，受影响最大的频率范围以及不同因素对吸收系数测量的影响程度。这些结果可能有助于更好地理解不同的制造技术或安装方法如何影响不同频率下的吸收系数。这可能是更好地控制阻抗管测量不确定度的起点，之前的论文中已经提出了这一点（Horoshenkov等人，2007年；Pompoli等人，2017年）。 图文快览
表1：材料声学和机械性能的平均值。
表6：厚度分离数据集：ML模型M1和M2在单变量分类任务中的性能。报告了两个模型、每个因素和每个样本厚度值的每个数据子集的平均五倍CV测试集准确度得分和标准偏差。
结论本文分析了一种聚氨酯泡沫的大量（3073）吸声系数测量结果，其中根据ISO 10534–2（ 1998）的阻抗管测量值改变了五个因子，即厚度、直径、切割、安装和操作者。机器学习和可解释性方法在几个数据分析中得到开发和验证，以确定与吸收系数谱中提到的因子的相关性。 研究发现特别是试样厚度和操作员因素与吸收系数谱密切相关。虽然前者的这种效应是众所周知的，但后者的发现特别有趣，因为数据驱动的模型表明了操作者的非随机效应。研究发现与再现性实验（Bonfiglio等人，2018年；Horoshenkov等人，2007年）一致，这表明操作者在吸收系数谱中引入了某种变化。由于操作员因素引起的变化几乎无法与任何物理效应联系起来。然而，模型解释的统计数据（SHAP值）表明不同的操作员在吸收系数谱中留下了不同的特征。为了在实践中控制这种不确定性，应该控制这种特征，例如，通过对所有样品使用一个相同的操作员，其吸声系数可以直接比较。这是控制由操作员引起的不确定性的第一步，但它不会增加测量程序本身的稳健性。为了更好地理解操作者对吸声系数的影响，需要多变量建模。其余直径、切割和安装等因素不会以确定的方式影响吸声系数。因此，它们没有显示出与随机猜测显著不同的相关性。然而，本文选择的单变量建模方法忽略了交互作用。为了深入了解这些因素的影响，将在未来的分析中考虑多变量建模。此外，其他多孔材料如纤维材料可能对本文研究的因子显示出不同的影响。使用本文提出的方法以及多元方法分析其他材料的吸声系数也是未来研究的一部分。
纯数据驱动的分析非常符合吸声泡沫的众所周知的声学特性，即提取厚度对吸收系数谱的影响。从机器学习建模的角度来看，这是一个有希望的发现，因为它证实了所提出的方法是一致的、健壮的和解释性的。需要使用CV进行仔细的模型选择，并检查非过度拟合模型，这样解释技术就可以在第二步中揭示模型决策过程的一部分，最终有助于从数据中发现知识。因此，因此，所提出的方法代表了一种在其他数据集中寻找新的（可能还有更多隐藏的）模式的新途径，例如，确定可从麦克风信号获得的阻抗或传递函数中的这种相关性也是令人感兴趣的。
参考文献
原文来源
● 比翱工程实验室丨“声学中的机器学习” JASA.特刊综述● 比翱工程实验室丨通过机器学习方法减小原位吸声测量时有限尺寸效应所造成的误差
● 比翱观察丨机器学习算法真的“理解”了它们试图解决的科学问题吗● 比翱工程实验室丨基于人工智能预测纤维材料比翱（BIOT）特性参数的方法
● 比翱观察丨人工智能加速拓扑优化超材料的设计● 比翱学堂丨采用阻抗管对声学材料进行全逆多孔弹性表征的案例研究● 比翱工程实验室丨声学多孔材料拓扑优化的启发式和元启发式方法比较
● 方圆之间，即测即得：支持声学超构材料创新设计与性能测定的新利器● 红了樱桃 绿了芭蕉 | 声学超材料 - 时光流转中的静音传奇
免责声明：部分资料来源网络，转载目的在于传递信息及分享，并不意味赞同其观点或其真实性，也不构成其他建议。仅提供交流平台，不为其版权负责。如涉及侵权，请联系我们及时删除。