論文の概要: Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers

• arxiv url: http://arxiv.org/abs/2604.07412v1
• Date: Wed, 08 Apr 2026 12:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.458459
• Title: Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers
• Title（参考訳）: 物理インフォームド・ニューラル演算子による局所反応型吸音器のその場評価
• Authors: Jonas M. Schmid, Johannes D. Schmid, Martin Eser, Steffen Marburg,
• Abstract要約: この研究は、周波数依存性の表面アプタンスを推定するための物理インフォームド・ニューラル演算子アプローチを示す。 深層演算子ネットワークを用いて測定データ、空間座標、周波数から音場量へのマッピングを学習する。 純粋なデータ駆動手法と比較して、ノイズやスパースサンプリングに対する堅牢性が改善された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate knowledge of acoustic surface admittance or impedance is essential for reliable wave-based simulations, yet its in situ estimation remains challenging due to noise, model inaccuracies, and restrictive assumptions of conventional methods. This work presents a physics-informed neural operator approach for estimating frequency-dependent surface admittance directly from near-field measurements of sound pressure and particle velocity. A deep operator network is employed to learn the mapping from measurement data, spatial coordinates, and frequency to acoustic field quantities, while simultaneously inferring a globally consistent surface admittance spectrum without requiring an explicit forward model. The governing acoustic relations, including the Helmholtz equation, the linearized momentum equation, and Robin boundary conditions, are embedded into the training process as physics-based regularization, enabling physically consistent and noise-robust predictions while avoiding frequency-wise inversion. The method is validated using synthetically generated data from a simulation model for two planar porous absorbers under semi free-field conditions across a broad frequency range. Results demonstrate accurate reconstruction of both real and imaginary admittance components and reliable prediction of acoustic field quantities. Parameter studies confirm improved robustness to noise and sparse sampling compared to purely data-driven approaches, highlighting the potential of physics-informed neural operators for in situ acoustic material characterization.
• Abstract（参考訳）: 音響面のアクセタンスやインピーダンスの正確な知識は信頼性の高い波動シミュレーションには不可欠であるが、その位置推定は、ノイズ、モデル不正確性、従来の手法の制約的な仮定により困難である。 本研究は、音圧と粒子速度の近接場測定から直接周波数依存性の表面アプタンスを推定するための物理インフォームド・ニューラル演算子手法を提案する。 観測データ、空間座標、周波数から音場量へのマッピングを学習するために、暗黙のフォワードモデルを必要としない、一様に一貫した表面アプタンススペクトルを同時に推定するために、ディープ・オペレーター・ネットワークを用いる。 ヘルムホルツ方程式、線形運動量方程式、ロビン境界条件を含む支配的音響関係は、物理に基づく正則化としてトレーニングプロセスに組み込まれ、周波数方向の反転を回避しつつ、物理的に一貫したノイズロスト予測を可能にする。 本手法は,広帯域の半自由場条件下での平面多孔質吸収体のシミュレーションモデルから合成したデータを用いて検証した。 その結果,実数成分と虚数成分の正確な再構成と音場量予測の信頼性が示された。 パラメータ研究は、純粋にデータ駆動型アプローチと比較して、ノイズやスパースサンプリングに対する堅牢性を改善し、その場での音響材料評価のための物理インフォームド・ニューラル演算子の可能性を強調した。

関連論文リスト

• Robust Physics-Informed Neural Network Approach for Estimating Heterogeneous Elastic Properties from Noisy Displacement Data [4.1040852284977225]
  IE-PINNはノイズ変位データから弾性パラメータの不均一分布を頑健に再構成するように設計されている。 IE-PINNは、変位場、ひずみ場、弾性分布を個別にモデル化するための3つの異なるニューラルネットワークアーキテクチャを統合している。
  論文  参考訳（メタデータ） (2025-06-16T22:20:44Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
  このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。 実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
  論文  参考訳（メタデータ） (2023-09-27T19:50:50Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• Towards Robust Waveform-Based Acoustic Models [41.82019240477273]
  本研究では,実験条件とトレーニング条件のミスマッチを特徴とする,ロバストな音響モデル学習手法を提案する。 本手法は,入力空間上の経験的密度を定義するデルタ関数を,トレーニングサンプル近傍の限界人口密度の近似で置き換えることにより,トレーニング中のリスク推定を改善することを目的としている。
  論文  参考訳（メタデータ） (2021-10-16T18:21:34Z)
• Mean absorption estimation from room impulse responses using virtually supervised learning [0.0]
  本稿では,室内インパルス応答(RIR)のみから平均吸収係数を推定する新しい手法を紹介し,検討する。 この逆問題は、仮想教師付き学習、すなわち、人工ニューラルネットワークを用いたシミュレーションデータセット上の回帰によって暗黙的に学習される。
  論文  参考訳（メタデータ） (2021-09-01T14:06:20Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。