Low-frequency Absorbing Acoustic Metasurfaces : Deep-learning Approach and Experimental Demonstration - Université de Lorraine Access content directly
Theses Year : 2021

Low-frequency Absorbing Acoustic Metasurfaces : Deep-learning Approach and Experimental Demonstration

Métasurfaces acoustiques absorbantes pour le régime très basses fréquences : approche en deep-learning et démonstration expérimentale

Abstract

The advent and development of acoustic metamaterials and metasurfaces in recent years has overturned conventional means in all aspects of acoustic waves propagation and manipulation. In the context of the sound absorption and noise conrtol, it has offered an unprecedented expansion of our ability to attenuate the low-frequency sound beyond the classical physical limits. The main aim of this PhD dissertation is to conceive and design acoustic metasurfaces for extreme low-frequency absorption (<100Hz). First, the concept of multicoiled metasurface absorber (MCM) is proposed and discussed. The effectiveness of its physical mechanism is theoretically, numerically, and experientially demonstrated. The presented multicoiled metasurface is capable of fully absorbing acoustic energy at extreme low-frequency of 50Hz with a deep subwavelength thickness (λ/527). To circumvent the conventional physics- and rule-based approaches and accelerate the design process, novel deep learning-based framework is introduced in this dissertation. Specifically, the convolutional neural network (CNN) and conditional generative adversarial networks (CGAN) are implemented to simulate and optimize complex metasurface absorber structures. The developed deep learning-based framework for the acoustic metasurface absorbers can be potentially extended to the design and optimization of other acoustic devices and structures. This dissertation provides a new way for deep learning-enabled acoustic metasurface designs that will allow acoustics community to focus more on truly creative and pragmatic ideas. This will be led to solving complex design problems that have yet to be explored by the machine, rather than on tedious trial and error processes.
L'avènement et le développement des métamatériaux/métasurfaces acoustiques au cours des dernières années ont bouleversé les approches conventionnels concernant de la propagation et de la manipulation des ondes acoustiques et même au-delà. Dans le contexte de l'absorption acoustique, ces structures artificielles ont ouvert des possibilités et des opportunités sans précédent pour s’atteler aux problèmes de l’absorption acoustique et du bruit en très basses fréquences défiant les limitations physiques classiques. L'objectif principal de cette thèse est de concevoir et réaliser des métasurfaces acoustiques pour l'absorption acoustique en extrême basses fréquences (<100Hz). Tout d'abord, le concept de métasurface absorbante à enroulement d’espace (MCM) est proposé. L'efficacité de son mécanisme physique associé est démontré théoriquement, numériquement et expérimentalement. Le MCM présenté est capable d'absorber entièrement l'énergie acoustique à une fréquence extrêmement basse de 50 Hz avec une épaisseur ultrasub-longueur d'onde (λ/527). Pour contourner les approches conventionnelles basées sur des méthodes et formalismes de simulation classiques, de nouvelles approches basées sur le deep-learning est introduit dans ce travail de thèse. En particulier, le réseau de neurones convolutif (CNN) et les réseaux adverses génératifs conditionnels (CGAN) sont mis en œuvre pour simuler et optimiser les structures complexes de métasurfaces absorbantes. Le cadre développé basé sur l'apprentissage profond pour ces métasurfaces absorbantes peut être potentiellement étendu à la conception et à l'optimisation d'autres dispositifs acoustiques. Cette thèse fournit de nouvelles méthodes et outils pour la conceptions de métasurfaces acoustiques basées sur le deep-learning qui pourrait permettre à la communauté acoustique de se concentrer davantage sur des idées vraiment créatives pour résoudre les problèmes de conception complexe qui doivent encore être explorés par la machine, plutôt que sur des processus fastidieux d'essais et d'erreurs.
Fichier principal
Vignette du fichier
DDOC_T_2021_0268_DONDA.pdf (7.69 Mo) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

tel-03684273 , version 1 (01-06-2022)

Identifiers

  • HAL Id : tel-03684273 , version 1

Cite

Krupali Donda. Low-frequency Absorbing Acoustic Metasurfaces : Deep-learning Approach and Experimental Demonstration. Physics [physics]. Université de Lorraine, 2021. English. ⟨NNT : 2021LORR0268⟩. ⟨tel-03684273⟩
118 View
276 Download

Share

Gmail Mastodon Facebook X LinkedIn More