물리 정보 기반 인공 신경망을 이용한 실험 음향 고유모드 획득
Acquisition of Experimental Acoustic Natural Modes Using a Physics-Informed Neural Network
- 주제(키워드) Acoustic natural mode , Physics-Informed Neural Networks , Sparse measurement data , Experimental modal analysis , Adaptive weighting
- 주제(DDC) 621.8
- 발행기관 아주대학교 일반대학원
- 지도교수 이진우
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036455
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구에서는 적은 수의 실험 정보만을 이용하여 음향 공동의 세밀한 음향 고유 모드를 예측하기 위한 물리 정보 기반 인공 신경망（Physics-Informed Neural Network, PINN） 모델을 제안하였다. 제안된 모델은 공간 좌표를 입력 받아 음압을 예측하는 완 전연결 신경망（Fully-connected network）과, 예측된 음압이 지배방정식, 경계조건 및 측정 점 조건을 만족하도록 손실함수를 구성하는 물리 정보 신경망（Physics-informed network） 으로 구성된다. 물리 정보 신경망에는 음향 공동의 지배방정식인 헬름홀쯔 방정식과 강 체 벽 경계조건을 반영하였으며, 소수의 측정점 데이터를 함께 사용하여 음향 고유 모 드를 예측하도록 하였다. 측정점 데이터로는 유한요소해석을 통해 얻은 음압 데이터와 실제 실험에서 얻은 교차 스펙트럼 밀도의 허수부를 사용하였다. 또한 지배방정식, 경 계조건, 측정점 조건에 해당하는 손실함수 항을 동시에 만족시키기 위해 손실함수 항 간의 스케일 불균형을 완화하기 위해 적응형 가중치를 적용하였다. 제안된 방법은 기존 실험 모달 해석에서 요구되는 많은 측정점과 긴 실험 시간을 줄이면서도 세밀한 음향 고유 모드를 파악할 수 있었으며, 이는 향후 제한된 실험 환경에서 복잡한 음향계의 고 유 모드를 효율적으로 예측하고 실험 모달 해석을 보완할 수 있는 가능성을 보여준다.
more초록/요약
In this study, a Physics-Informed Neural Network （PINN） model is proposed to predict detailed acoustic natural modes of an acoustic cavity using only a small amount of experimental information. The proposed model consists of a fully connected network that predicts acoustic pressure from spatial coordinates and a physics-informed network that constructs loss functions so that the predicted acoustic pressure satisfies the governing equation, boundary conditions, and measurement-point conditions. The physics-informed network incorporates the Helmholtz equation, which governs the acoustic cavity, and rigid-wall boundary conditions. A small number of measurement-point data are also used to predict the natural acoustic modes. The measurement-point data consists of acoustic pressure data obtained from finite element analysis and the imaginary part of the cross-spectral density function obtained from actual experiments. In addition, adaptive weighting is applied to alleviate the scale imbalance among the loss-function terms corresponding to the governing equation, boundary conditions, and measurement-point conditions. The proposed method enables detailed acoustic natural modes to be identified while reducing the large number of measurement points and long experimental time required in conventional experimental modal analysis. This demonstrates the potential of the proposed approach to efficiently predict the natural modes of complex acoustic systems and complement experimental modal analysis in limited experimental environments.
more목차
제 1 장 서론 1
1.1 연구 배경 1
1.2 연구 목표 및 연구 내용 3
제 2 장 음향 고유 모드와 실험 모달 해석의 한계 6
2.1 음향 고유 모드의 이론적 배경 및 실험적 검증의 필요성 6
2.2 방대한 측정점 데이터를 요구하는 실험의 문제점 8
2.3 음향 고유 모드 파악을 위한 전통적 실험의 한계 12
제 3 장 물리 정보 기반 인공 신경망 개발 16
3.1 공간 좌표 정규화 및 문제 수식화 16
3.2 모델 구조와 배열점 18
3.3 적응형 가중치 21
제 4 장 FEA 결과를 측정점 데이터로 사용한 PINN 기반 음향 고유 모드 예측 23
4.1 FEA 기반 음향 고유 모드 데이터 추출 23
4.2 FEA 결과를 측정점 데이터로 사용한 2차원 음향 고유 모드 예측 27
4.3 측정점 위치와 수에 따른 2차원 음향 고유 모드 예측 결과 비교 37
4.4 다른 경계조건에서 2차원 음향 고유 모드 파악 41
4.5 다양한 기하학적 형상에서의 2차원 음향 고유 모드 파악 47
4.6 FEA 결과를 측정점 데이터로 한 3차원 공동의 음향 고유 모드 파악 51
4.7 배열점 분포 방식과 수에 따른 3차원 음향 고유 모드 예측 결과 비교 62
4.8 측정점 수와 위치에 따른 3차원 음향 고유 모드 예측 결과 비교 69
4.9 한 경계의 음압이 0인 3차원 음향 공동의 음향 고유 모드 예측 75
제 5 장 실험 결과를 측정점 데이터로 사용한 PINN 기반 음향 고유 모드 예측 81
5.1 3차원 음향 공동 실험 환경 구축 및 데이터 획득 81
5.2 PINN 적용을 위한 측정점 데이터 처리 84
5.3 실험 결과를 측정점 데이터로 한 실험 음향 고유 모드 획득 86
제 6 장 결론 93
참고 문헌 94
Abstract 99
