Contribution
Vom Nahfeld zur Oberfläche: Maschinelles Lernen zur Charakterisierung akustischer Fahrbahneigenschaften
* Presenting author
Abstract:
Im mFUND-Forschungsvorhaben Tyre Road Noise (TyRoN) werden datengetriebene Methoden zur Minderung des Reifen-Fahrbahn-Geräuschs (RFG) entwickelt. Gängige Berechnungsansätze arbeiten mit äquivalenten Quellenmodellen und behandeln die Direktivität des Reifen-Fahrbahn-Systems häufig nur stark vereinfacht, teils sogar weitgehend azimutunabhängig. Das kann zu Unsicherheiten in der Schallausbreitungsrechnung und bei der akustischen Bewertung verschiedener Fahrbahndeckschichten führen, insbesondere wenn Nahfeldmessungen in definierter Mikrofongeometrie zur Emissionsableitung genutzt und anschließend auf Fernfeldsituationen übertragen werden. Entscheidend ist dabei die horizontale Direktivität: Die relative Orientierung zwischen Quelle und Mikrofon beeinflusst die gemessenen Spektren und Pegel und kann bei Vernachlässigung systematische Abweichungen verursachen. Ziel der Arbeit ist die methodische Untersuchung, welche fahrbahnseitigen Kenngrößen, die die Direktivität beeinflussen, sich aus Nahfeldmessungen zuverlässig abschätzen lassen. Grundlage bilden umfangreiche Messdatensätze, verknüpft mit akustischen und physikalischen Oberflächenparametern wie Schallabsorptionsgrad, spezifischem Strömungswiderstand und Oberflächentextur. Aus den Audiosignalen werden spektrale, statistische und zeitliche Merkmalsgruppen extrahiert und mit überwachtem maschinellem Lernen (Regression) hinsichtlich ihrer Eignung zur Parameterprädiktion bewertet. Der Schwerpunkt liegt auf der Quantifizierung der Modellgüte und der Identifikation eines kompakten, robusten Feature-Sets. Die Ergebnisse identifizieren Merkmals-/Modell-Kombinationen mit hohem Potenzial für eine indirekte Charakterisierung akustischer Fahrbahneigenschaften und können so die Kopplung zwischen Nahfeld- und Fernfeldmodellen perspektivisch verbessern.