Communication Dans Un Congrès Année : 2025

Estimation du niveau de bruit éolien à l'aide de l'apprentissage profond : apport des données environnementales

Résumé

La séparation de sources appliquée aux bruits des éoliennes représente un enjeu crucial pour l'analyse acoustique, en raison de la nature complexe et non stationnaire des signaux environnementaux issus de différentes sources du bruit. Ce travail explore l'application des réseaux de neurones récurrents (RNN) à l'extraction du niveau de bruit éolien (particulier) à partir d'un bruit total (ambiant) construit par une synthèse sonore, combinant un bruit particulier simulé et un bruit de fond (résiduel) mesuré. En complément, des données supplémentaires (environnementales), incluant la vitesse du vent mesurées, et la production électrique de l'éolienne, ainsi que des données acoustiques dans la plage de fréquences entre 31,5 Hz et 2 kHz, ont été utilisées pour l'apprentissage et le test de modèle RNN. Cette approche vise à améliorer la performance des réseaux de neurones en leur permettant de mieux identifier les relations entre les facteurs environnementaux et les signaux acoustiques.

Fichier principal
Vignette du fichier
RKHISS_Paper_CFA.pdf (904 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05114863 , version 1 (16-06-2025)

Licence

Identifiants

  • HAL Id : hal-05114863 , version 1

Citer

Abdelazyz Rkhiss, Arthur Finez, Jean-Rémy Gloaguen, Julien Maillard, Gabriel Vasile. Estimation du niveau de bruit éolien à l'aide de l'apprentissage profond : apport des données environnementales. CFA 2025 - 17e Congrès Français d'Acoustique, Apr 2025, Paris, France. ⟨hal-05114863⟩
244 Consultations
105 Téléchargements

Partager

  • More