Makine öğrenmesi ile akustik performans tahmini: Keçe malzemeler hakkında uygulama

Abstract

Otomotiv endüstrisinde artan konfor beklentileriyle birlikte akustik performans kritik bir odak noktası haline gelmiştir. Bu doğrultuda akustik beklentilere uygun malzemeler sunan, hızlı ve doğru bir şekilde ölçüm yapabilen tedarikçiler sektörde ön plana çıkmaktadır. Bu çalışmada, ses yalıtımı amacıyla kullanılan keçe malzemelerin ses yutum katsayısını tahmin etmek için doğrusal regresyon, rastgele orman, k-en yakın komşu, aşırı gradyan artırma ve destek vektör regresyonu olmak üzere beş farklı makine öğrenmesi algoritmasının performansı karşılaştırılmıştır. Çalışma kapsamında hazır bir veri seti kullanılmamış olup, tüm veriler epoksi keçe malzeme ile hazırlanan numuneler üzerinden gerçekleştirilen akustik performans ölçümlerinden elde edilmiş, bu çalışma kapsamında özgün bir veri seti oluşturulmuş, 5-katlı çapraz doğrulama ile model performansları değerlendirilmiştir. Sonuçlar, aşırı gradyan artırma algoritmasının diğer algoritmalara kıyasla tüm performans metriklerinde en iyi sonuçları sağladığını göstermektedir. Tahmin performansının iyileştirilmesi için modele hiperparametre optimizasyonu ve özellik mühendisliği uygulanmış ve tahmin performansında yaklaşık %7’lik iyileşme sağlanmıştır. Sonuç olarak, bu çalışma, makine öğrenmesi tekniklerinin akustik performansı hızlı ve doğru bir şekilde tahmin etme potansiyelini vurgulamaktadır. Empedans tüpü testi, alfa kabin testi gibi ampirik yöntemler ve analitik yöntemlerle karşılaştırıldığında, makine öğrenmesi temelli tahmin modellerinin zaman, iş gücü ve maliyet açısından sağladığı avantajlar, bu teknolojinin endüstriyel süreçlerdeki önemini daha belirgin hale getirmektedir.In the context of the automotive industry, there is an increasing focus on acoustic performance, given the mounting expectations of comfort among consumers. In this context, suppliers of materials that meet acoustic expectations and can make measurements quickly and accurately are of the utmost importance in the sector. In this study, the performance of five distinct machine learning algorithms – namely linear regression, random forest, k-nearest neighbour, extreme gradient boosting and support vector regression – was compared to estimate the sound absorption coefficient of felt materials used for sound insulation. The present study did not make use of a ready-made dataset; rather, all data were obtained from acoustic performance measurements performed on samples prepared with epoxy felt material. In addition, an original dataset was created within the scope of this study, and model performances were evaluated with 5-fold cross-validation. The findings indicate that the extreme gradient boosting algorithm consistently yields optimal results across all performance metrics when benchmarked against other algorithms. Hyperparameter optimization and feature engineering were applied to the model to improve the prediction performance, and approximately 7% improvement was achieved in prediction performance. Consequently, this study underscores the potential of machine learning techniques to expeditiously and accurately estimate acoustic performance. In comparison with empirical methods, such as impedance tube testing and alpha cabin testing, and analytical methods, the advantages of machine learning-based prediction models in terms of time, labour and cost become more apparent. This technology is therefore of great importance in industrial processes.