희소 마이크 배열과 물리 기반 신경장으로 실시간 표면 임피던스 추정

초록

본 논문은 물리‑정보 신경장(Physics‑informed Neural Field)을 이용해 소수의 마이크 압력 샘플만으로 근접 표면의 광대역 음압장을 복원하고, 이를 통해 복소 표면 임피던스를 실시간(수초~수분)으로 추정한다. 병렬 다주파수 구조와 사인형 인코딩을 도입해 연산 효율을 높였으며, 저복잡도 마이크 배열을 설계해 실험실 및 차량 실내 환경에서 정확성을 검증하였다.

상세 분석

이 연구는 기존의 실내 흡음재 특성화 방법이 이상적인 자유장 가정에 크게 의존하고, 실제 설치 환경에서는 큰 오차를 발생시키는 문제점을 정확히 짚어낸다. 특히 흡음재의 복소 표면 임피던스는 흡수계수와 달리 일대일 대응이 보장되므로, 물리적으로 의미 있는 파라미터 추정이 가능하다. 저자들은 이를 위해 두 가지 핵심 기술을 결합한다. 첫째, 물리‑정보 신경망(PINN) 기반의 신경장 모델을 설계했으며, 각 주파수마다 독립적인 SIREN(신경망 기반 사인형 인코딩)과 ModMLP를 병렬로 배치해 다주파수 데이터를 동시에 학습한다. 이 구조는 전통적인 PINN이 주파수를 입력 변수로 취급하면서 발생하는 최적화 난이도 상승을 회피하고, GPU 상에서 초당 수천 개 파라미터 업데이트가 가능하도록 만든다. 둘째, 압력만을 측정하는 소형 마이크 어레이를 활용해 입사면 근처의 압력값을 희소하게 수집하고, 자동 미분을 통해 압력의 법선 미분(즉, 입사 속도)을 추정한다. 이렇게 하면 별도의 입자속도(p‑u) 센서가 필요 없으며, 온도·진동에 민감한 기존 방법보다 견고한 측정이 가능하다.

손실 함수는 네 가지 항으로 구성된다. L_data는 실제 측정 압력과 신경장이 예측한 압력 사이의 L2 차이를 최소화하고, L_PDE는 볼륨 영역에서 헬름홀츠 방정식(∇²p + k²p = 0)의 잔차를 최소화해 물리적 일관성을 강제한다. L_var와 L_smooth는 각각 표면 임피던스의 공간적 균일성 및 주파수 간 스무딩을 정규화한다. 이러한 복합 손실은 압력 재구성 정확도와 임피던스 추정 정확도 사이의 트레이드오프를 자동으로 조정한다.

수치 실험에서는 평면파 입사 조건 하에 3×3 및 4×4 마이크 배열을 다양한 d₁(표면‑첫 레이어 거리)·d₂(레이어 간 간격) 조합으로 테스트했다. 다공성 흡음재는 압력 구배가 충분히 커서 3×3 배열에서도 평균 MAE가 0.01 수준으로 낮았으며, 4×4 배열은 d₁=20 mm, d₂=30 mm에서도 오차가 거의 변하지 않았다. 반면, 거의 강직한 표면은 압력 구배가 거의 사라져 SNR이 급감하므로, d₁=5 mm·d₂=10 mm와 같은 근접 배치가 필수적이었다. 이는 실제 자동차 시트와 같이 곡면·소형 흡음재에 대한 적용 가능성을 시사한다.

학습 수렴 특성을 보면, 흡음재는 2,5005,000 epoch(3060 s) 내에 MAE가 안정화되지만, 강직 표면은 더 많은 epoch와 시간이 필요했다. 흡수계수 MAE가 낮다고 해서 임피던스 MAE가 낮은 것은 아니며, 이는 흡수계수가 비유일적 매핑을 갖기 때문임을 재확인한다. 잡음 민감도 실험에서는 SNR 30 dB에서도 MAE가 0.05 이하로 유지돼 실내 잡음 환경에서도 충분히 견고함을 보여준다.

마지막으로 차량 실내 시뮬레이션에서는 복잡한 기하학적 반사와 다중 모드가 존재함에도 불구하고, 제안된 신경장이 압력장을 정확히 복원하고, 표면 임피던스를 실시간으로 추정했다. 이는 기존 NAH·ESM 방식이 요구하는 수십~수백 채널 마이크와 달리, 4채널 정도의 소형 어레이만으로도 충분함을 의미한다. 전체적으로 이 연구는 물리‑정보 학습과 하드웨어 최소화를 결합해, 실시간·현장 적용 가능한 흡음재 특성화 도구를 제시한다.