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.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |