Terug naar overzicht

Neurale netwerken in de akoestiek geluidisolatie ket verstand

1. Inleiding
Een onderdeel van het Milieu dat vooralsnog achter blijft bij het toenemend milieubesef is het binnenmilieu en wel met name een van de belangrijkste onderdelen van ons.binnenmilieu namelijk de geluidisolatie tussen woningen.

De verstoring van het woon- en leefmilieu is een groeiende bron van milieuverontreiniging. Dit kan ondermeer worden afgeleid aan het-toenemend aantal klachten betreffende burengerucht.

Algemeen wordt onderkend dat de huidige minimum-eisen die de overheid stelt ontoereikend zijn, en niet zijn afgestemd op het huidige levenspatroon van de doorsnee Nederlander, ook in het Bouwbesluit wordt het er met de introductie van de karakteristieke luchtgeluidisolatieindex Iluk=o dB niet echt veel beter op (hoewel alle kleine beetjes helpen natuurlijk). Naast een ontoereikende normstelling komt het steeds vaker voor dat bij controlemetingen in het kader van de oplevering van woningen er niet wordt voldaan aan de minimale eisen, dit gecombineerd met een slechte handhaving draagt zorg voor een woningbestand dat qua luchtgeluidisolatie inferieur is, saneringssituaties voor morgen.

2. Nogeliike oorzaken van de slechte praktijkiprestaties
Bij bouwkundigen is veelal onvoldoende kennis en ervaring voorhanden om te bepalen of een bepaalde constructie qua geluidisolatie positief dan wel negatief is. De moeilijke materie, het niet onderkennen van het geluidprobleem, en ontoereikende hulpmiddelen spelen hierin een belangrijke rol.

De hulpmiddelen waarover een bouwkundige kan beschikken zijn:

De Nederlandse Praktijk Richtlijn NPR 5070
Fysische reken-modellen, voor terzake kundigen.
Ervaring van de bouwkundige/ontwerper, d.w.z variaties op een bekend ontwerp.
Externe deskundigheid
Het komt regelmatig voor dat constructies die potentieel een goede geluidisolatie kunnen bewerkstelligen, zoals bijvoorbeeld de ankerloze spouwmuur qua geluidisolatie ontoereikend zijn vanwege een (akoestisch) niet doordachte constructie. In tegenstelling tot andere processen in de bouw kan er in de bouwakoestiek niet worden overgedimensioneerd wanneer er onvoldoende kennis voorhanden is. Derhalve is het noodzakelijk dat ontwerpers en bouwkundigen in het algemeen kunnen beschikken over een krachtig en efficiënt instrument dat kan helpen bij het nemen van de juiste beslissingen in het uitvoerings- en bouwproces.

3. Neurale netwerken
Neurale netwerken zijn systemen die het gedrag van biologische neuronen (bouwstenen van de hersens) nabootsen. Ondanks de oppervlakkige, gesimplificeerde gelijkenis hebben neurale netwerken de overeenkomst met “hersenen” dat ze kunnen leren en dat is een interessante eigenschap. Het leren geschiedt door ze te voeren met bekende feiten (bij die omstandigheden, zal er dat gebeuren). zodat ze in nieuwe situatie reageren op een wi]ze die in overeenstemming is met de kennis die ze bezitten.

Een andere interessante eigenschap die neurale netwerken met biologische neuronen gemeen hébben is dat de kennis die ze bezitten niet opgeslagen is in “weetjes” en leerregels (expliciet kennis), maar diffuus is verdeeld over de neuronen. Die impliciete kennis is vertaald naar een drempelwaarde die nodig is om een bepaald neuron te activeren. Een prikkel van buitenaf volgt een zodanige weg door het netwerk van kunstmatige neuronen dat uiteindelijk een neuron wordt geactiveerd die een bepaalde “logische” reactie genereert.

5. Neurale netwerken versus klassieke systemen
Bij klassieke systemen wordt een fysisch model van de werkelijkheid gevormd en vertaald naar een reeks formules. Het systeem loopt een reeks af totdat er een bepaald antwoord uit het systeem rolt. Zulke systemen zijn populair omdat ze tot “exacte” resultaten leiden. Daarbij wordt echter uit het oog verloren dat modellen noodzakelijke vereenvoudigingen van de werkelijkheid bevatten om het rekenwerk mogelijk te maken. De “cijfers achter de komma” bezitten daardoor een geringe werkelijkswaarde.

Neurale netwerken bevatten geen fysisch model. Ze worden getraind op een representatieve set van gegevens en reageren op een wijze die past binnen de omgeving van gegevens die ze hebben leren kennen. De implicatie hiervan is dat een kunstmatig neuraal netwerk kan leren een nieuw probleem op te lossen door training, een klassiek systeem daarentegen zal opnieuw geschreven moeten worden.

6. Wanneer neurale netwerken
Neurale netwerken zijn juist op hun plaats, waar fysische modellen een te grote simplificatie geven of te complex dreigen te worden. Verspreidingsmodellen voor luchtverontreiniging en voor geluid zijn wellicht betrouwbaarder te maken met behulp van neurale technieken.

Neurale netwerken zijn er goed in het herkennen van patronen; ze zijn daarom bijzonder geschikt voor het oplossen van problemen die dit element in zich dragen.

Deze uitgangspunten hebben geleid tot het onderzoek naar het gebruik van neurale netwerken als instrument voor het bepalen van de luchtgeluidisolatie. Bij J.O.D Consulting is in samenwerking met de Milieudienst Midden Holland een prototype gebouwd dat op grond van “ervaring” de I(lu) voorspeld.

In figuur 1 is een illustratie gegeven van een leerproces als functie van de tijd weergegeven. op de y-as zijn de afwijkingen van het door het systeem gevormde model ten opzichte van de trainingsset van gegevens uitgezet. De stippen geven de bijstellingen aan, die gemaakt zijn om te ontsnappen uit niet optimale oplossingen. Uit het systeem is te zien dat het systeem vrij efficiënt naar een optimale oplossing (nul op de y-as) gaat.

7. Beschriiving van het huidige Ilu prototype
Het door J.O.D Consulting ontwikkelde Ilu model is gebaseerd op een statische methode omdat deze methode tot nauwkeurige resultaten leiden. Het prototype verzameld door middel van een dialoog met het de gebruiker data van de gemeten Ilu en de bijbehorende situatie. Indien er in het systeem reeds kennis aanwezig is wordt van de nieuwe situatie de verwachte Ilu gegeven. Bij voldoende data kan het systeem (opnieuw)getraind worden met de nieuwe dataset. De dialoog tussen het systeem en de gebruiker vindt plaats middels vragen die het systeem aan de gebruiker stelt zoals gegeven in het invoerschema zoals afgebeeld in figuur 2.

Binnenkade woonkamer 14 naar woonkamer 16. Project te Gouda
Oppervlakte van de wand Type en classificatie van de wand
Oppervlakte 25.0 m2 Type Wand 0, scheidingswand 01.50
Oppervlakte 50.1 m2 Type Wand 1, plafond zendzijde 03.25
Oppervlakte 12.5 m2 Type Wand 2, zijwandzend rechts 01.20
Oppervlakte 50.1 m2 Type Wand 3, vloer zendzijde 03.20
Oppervlakte 15.6 m2 Type Wand 4, zijwand zendzijde 02.20
Oppervlakte 25.0 m2 Type Wand 5, scheidingswand ontvang 01.50
Oppervlakte 30.1 m2 Type Wand 6, plafond ontvangzijde 03.25
Oppervlakte 07.5 m2 Type Wand 7, zijwand onvangzijde rechts 01.20
Oppervlakte 30.1 m2 Type Wand 8, vloer ontvangzijde links 03.20
Oppervlakte 10.5 m2 Type Wand 9, zijwand ontvangzijde links 01.20
Ilu meting (isolatieindex in dB) 0 dB (gemeten index)
Voorspelde index neuraalnetwerk 2 dB Match 100%

Figuur 2 : Invoerschema van het model.

Het invoerschema is gerelateerd aan een classificatie van het vlak. Bij vlak 0 is ingevoerd een vlak oppervlak van 25 m2, type 1 (steenachtig) met een oppervlakte gewicht van 500 kg/m2. De classificatie kan volgen uit een catalogus die bij voorkeur door een centrale. instantie, zoals bijvoorbeeld de Stichting bouwresearch (SBR) bewaakt en up to date gehouden dient te worden. De invoer van de vlakken dient consequent plaats te vinden volgens een schema, waarbij in de richting van de wand wordt gekeken, zoals gegeven in figuur 3

1

4

0

2

 

3

 

Zendzijde

1

4

0

2

 

3

 

Ontvangzijde

Figuur 3 : Invoerprocedure zend- en ontvangzijde (open geknipte projectie)

voor het huidige prototype is vooralsnog gebruik gemaakt van simpele catalogus, voorwaarde voor het aanleggen van een centrale dan wel individuele catalogus is dat de opzet systematisch is zoals in onderstaand figuur 4 is aangegeven.

1. Massieve steenachtige wanden
1.0 50 kg/m2
1.1 00 kg/m2
1.3 300 kg/m2

enz.

2. Systeemvloeren
2.0 50 kg/m2
2.1 100 kg/m2
2.2 200 kg/m2

enz.

Figuur 4 : Voorbeeld voor de opzet van een catalogus.

In principe is het mogelijk voor de gebruiker om het neurale netwerk zelf te trainen. Het verdient echter de voorkeur om gebruiker d.w.z. bouwkundigen zonder specifieke akoestische achtergrond een getraind neuraal netwerk te leveren. Het opnieuw trainen dient dan plaats te vinden bij een centrale instantie (b.v SBR).

8. Voordelen van neurale netwerken t.o.v klassieke modellen

  1. Specifieke akoestische kennis is bij het gebruik van een getraind neuraal netwerk is niet langer noodzakelijk.
  2. Middels een bestektekening en renvooi is snel en efficiënt te bepalen’of een constructie al dan niet voldoet aan de te stellen eisen.
  3. Het systeem kan de mogelijkheid bieden te optimaliseren door middel van een terugkoppeling naar een voor het systeem bekende (geabstraheerde) situatie.
  4. Het systeem geeft middels een kans berekening de waarschijnlijkheids waarde aan.
  5. Bij het invoeren vindt een directe toetsing plaats van rand voorwaarden en de logica binnen de randvoorwaarden.
  6. De respons van het systeem is direct, dus geen reken/wacht tijden.
  7. Een neuraal netwerk is niet afhankelijk van zijn omgeving dit betekent dat ook de nieuwe NPR, het handboek bouwakoestiek en de nieuwe NEN 1070 geen invloed hebben op het model, middels training kan het systeem in harmonie komen met de wijzigingen.
  8. Het systeem kan e.v.t. gevoed worden met de uitkomsten van berekeningen uit een fysisch model.
  9. Bij de voorspellingen-is de gemiddelde uitvoeringsfout meegewogen.

Nadelen

  1. Het systeem kan alleen een betrouwbare respons geven op gevallen die passen binnen het kader waarin training heeft plaats gevonden. Dit betekent dat wanneer een systeem getraind is op alleen steenachtige scheidingsconstructie er geen betrouwbare voorspelling is te geven bij bijvoorbeeld een houtskelet scheidingsconstructie. Het systeem geeft dit overigens aan in de match.
  2. Er dient eerst voldoende data uit de praktijk ingevoerd te worden alvorens met het systeem gewerkt kan worden, voeden van het netwerkmet de uitkomsten van een fysisch model is echter een mogelijkheid.
  3. De uitkomsten van het systeem zijn direct afhankelijk van de betrouwbaarheid van de oorspronkelijke trainingsset. Dit kan worden ondervangen door het aan het systeem bij training relatief veel data aan te bieden waardoor de meetfouten uitgemiddeld worden.
  4. De gebruiker heeft niet de “bevrediging” van het idee de uitkomst exact te kunnen bepalen. Aan de uitkomsten van ingeburgerde fysische rekenmodellen wordt (ten onrechte) tot op de cijfërs achter de komma een absolute waarde gehecht.
  5. Neurale netwerken zijn nog niet ingeburgerd in de wereld van de bouwakoestiek.

9 Slotopmerkingen
Nederland heeft de beschikking over een fysisch model dat in de loop der jaren haar sporen verdient heeft. Het neurale netwerk dient dan ook niet als een vervanging van dit bestaande systeem doch als aanvulling om zo het probleem geluidisolatie tussen woningen, voor bouwkundigen tot een beheersbaar probleem te maken. Door een krachtig en simpel instrument moet het voor de bouwkundige mogelijk worden gemaakt in de loop van het ontwerp en uitvoeringsproces snel de juiste beslissingen te nemen. Een neuraal netwerk biedt deze mogelijkheid. Een neurale benadering biedt tevens de mogelijkheid impliciete modellen van nieuwe in zwang komende bouwwijzen te ontwikkelen. Dit kan weer leiden tot het eventueel verfijnen van het bestaande fysische model.

Ad Vreeswijk