Caracterización acústica de ambientes urbanos mediante el uso de redes neuronales

Abstract

La contaminación sonora constituye un serio problema en las ciudades modernas. Entre las diferentes fuentes de ruido presentes en una zona urbana, el ruido del tráfico es, indudablemente, la fuente más molesta. Ésta depende de diversos factores influyentes como las características del flujo vehicular y los aspectos arquitectónicos del espacio urbano, todos ellos muy dependientes de las particulares y hábitos locales. Un enfoque para modelar las relaciones acústicas envueltas en estas situaciones es el uso de las Redes Neuronales Artificiales (RNAs). Éstas son básicamente técnicas especiales de regresión no lineal, que permiten relacionar causas y efectos a partir de cierta información para un sistema dado. En este trabajo se propone el uso de una RNA como modelo de predicción sonora. La generación de la red se realiza a partir de datos numéricos obtenidos de un modelo geométrico, implementado en el programa SoundPLAN, para diferentes configuraciones urbanas típicas. Se muestra que el método presenta una gran capacidad para aproximar la relación no lineal de las variables involucradas.

Noise pollution is a serious problem in modern cities. Among different sources of noise that are present in an urban area, traffic noise is by far the most annoying source. It depends on several influential factors such as the vehicle flow characteristics and the architecture of the urban space, which are very dependent on local features. An approach to modeling the acoustic relationships involved in these situations is the use of Artificial Neural Networks (ANNs). These are basically special non-linear regression techniques, which allow to relate causes and effects from certain information for a given system. This paper proposes the use of an ANN as a sound prediction model. The generation of the network is made from numerical data obtained from a geometric model, implemented in the program SoundPLAN, for different typical urban configurations. It is shown that the method has a great capacity to approximate the non-linear relationship of the variables involved.