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 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.