Design to Acoustics mittels Deep Learning

• Antragstellerinnen / Antragsteller: Professorin Dr.-Ing. Sabine C. Langer; Dr. Timo Lüddecke
• Fachliche Zuordnung: Akustik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 501927736

Die Antragsteller Langer und Lüddecke schlagen - Design zu Akustik durch Tiefe Neuronale Netze - vor, um einen Paradigmenwechsel im akustischen Design voranzutreiben. Geplant ist die Entwicklung intelligenter Design-Assistenten, die den Ingenieur unterstützen, indem sie Designvorschläge für vordefinierte, gewünschte akustische Eigenschaften generieren. Eine Berücksichtigung der Akustik wird bereits in den ersten Entwurfsstadien forciert, in denen das Design noch maßgeblich beeinflusst werden kann. Aufgrund der negativen Auswirkungen hoher Lärmpegel auf die Umwelt (Gesundheit, Unbehagen) werden große Anstrengungen unternommen, um den Schalldruckpegel beim Produkt- und Fahrzeugdesign zu reduzieren. Leider treten akustische Probleme oft erst in späten Entwurfsphasen auf, was oft zu teuren Lärmschutzmaßnahmen führt. Es wird erwartet, dass eine gründliche Berücksichtigung der Akustik in frühen Phasen ein großes Potenzial für lärmarme Designs freisetzen kann. Wir schlagen einen datengesteuerten, auf neuronalen Netzen basierenden Ansatz vor. Zunächst trainieren wir ein Vorwärtsmodell zur Vorhersage von Schalldruckpegeln, die anhand von Finite-Elemente-Modellen ausgewählter akademischer Beispiele ermittelt wurden. Es werden verschiedene Arten des Trainings und der Modellarchitektur verglichen. Zweitens generieren wir Designvorschläge durch zwei verschiedene datengesteuerte Ansätze, die in diesem Bereich neu sind: Direkte Optimierung im Designraum mittels des Backpropagation Algorithmus und generative adversarial networks (GANs). Ersteres führt die Optimierung auf der Grundlage analytischer Gradienten durch, die durch neuronale Netze günstig zugänglich sind. Der GAN-basierte Ansatz folgt erfolgreichen Beispielen in der Bilderzeugung und wird unmittelbar Designvorschläge ohne Optimierung liefern. Beide Methoden nutzen die aus der Untersuchung des Vorwärtsmodells gewonnenen Erkenntnisse. Schließlich setzen wir unser System bei einem anspruchsvollen Flugzeugrumpfproblem ein, um die Anwendbarkeit in der realen Welt zu demonstrieren. Dieser interdisziplinäre Vorschlag kombiniert die Kompetenz von Langer in der Computerakustik mit der Erfahrung von Lüddecke im Deep Learning.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2353: Mehr Intelligenz wagen – Entwurfsassistenten in Mechanik und Dynamik