Bir apartmanda duyulan vurma, çarpma, düşürme veya çekiçleme sesi her zaman doğrudan kaynağın bulunduğu odadan geliyormuş gibi algılanmaz. Betonarme döşemeler, duvarlar, kolonlar, kirişler ve hava boşlukları sesi farklı yollar üzerinden iletir. Aynı konumdan üretilen iki darbe sesi, farklı kat bölümlerinde meydana geldiğinde tek bir mikrofon tarafından farklı biçimde kaydedilebilir. Bu durum, yalnızca ses sinyaline bakarak kaynağın yerini bulmaya çalışan öğrenme tabanlı yöntemlerin başka katlara veya benzer yapı bölümlerine aktarılmasını zorlaştırır.

Bu çalışma, betonarme binayı bir graf olarak temsil eden yeni bir darbe sesi konumlandırma yöntemi önermektedir. Modelde döşeme, duvar, hava hacmi ve alıcı gibi yapı bileşenleri düğümler; bu bileşenler arasındaki fiziksel bağlantılar ise kenarlar olarak tanımlanmıştır. Darbe sesinin yapı içindeki ilerleyişi, graf üzerinde komşu düğümler arasında bilgi aktarımı yapan mesaj iletimi mekanizmasıyla modellenmiştir.

Kaynak düğümüne gerçek darbe sesinden elde edilen bir ses gömmesi atanırken diğer düğümler ortam durumunu temsil eden başlangıç vektörleriyle başlatılmıştır. Yapı bileşeni türü, kaynağın alıcıya göre üç boyutlu konumu, göreli kat bilgisi ve darbe türü gibi özellikler graf düğümlerine eklenmiştir. Öğrenilebilir ağırlıklar, gerçek binada ölçülen darbe sesleriyle grafın alıcı düğümünde tahmin ettiği tepki arasındaki farkı azaltacak biçimde optimize edilmiştir.

Yöntem; çapraz korelasyon, SoundNet tabanlı evrişimli sinir ağı ve benzer parametre sayısına sahip standart tam bağlantılı sinir ağıyla karşılaştırılmıştır. Eğitimde görülen kat bölümünde çapraz korelasyon ve CNN yüksek doğruluk gösterebilmiş olsa da daha önce görülmeyen başka bir kat bölümüne aktarım sırasında doğrulukları yaklaşık yüzde 29–38 aralığına düşmüştür. Önerilen graf tabanlı yöntem ise beş ayrı veri bölünmesinin tamamında hem doğrulama hem de görülmeyen kat testi için yüzde 100 doğruluk raporlamıştır.

Bu sonuç, bina geometrisi ve yapısal bağlantılar modele açık biçimde dahil edildiğinde öğrenilen ses-kaynak ilişkisinin başka kat bölümlerine daha iyi aktarılabileceğini göstermektedir. Ancak deney dört kaynak konumu, tek bir alıcı, sınırlı mekânsal kapsam ve belirli betonarme bina düzenleriyle yürütülmüştür. Bu nedenle yöntem, her apartmanda komşu gürültüsünün kesin kaynağını bulabilen hazır bir sistem olarak değil, umut verici bir laboratuvar ve gerçek bina ölçekli araştırma yaklaşımı olarak değerlendirilmelidir.

Çalışmanın temel problemi nedir?

Katlar arası darbe gürültüsü, özellikle betonarme konutlarda önemli bir yaşam kalitesi sorunudur. Yere düşen bir nesne, çekiç darbesi, ağır bir topun zemine bırakılması veya yüzeye tekrarlı vurma gibi olaylar yapı elemanlarını titreştirir. Bu titreşim döşeme, duvar, kolon, kiriş ve hava hacmi üzerinden yayılır; başka odalarda veya katlarda ses olarak duyulur.

İnsan kulağı çoğu zaman sesin hangi komşudan geldiğini doğru belirleyemez. Bunun nedeni, binanın basit ve homojen bir ortam olmamasıdır. Ses en kısa geometrik doğrultudan ilerlemek zorunda değildir. Farklı yapı elemanları, birleşim noktaları ve odalar sesi farklı düzeylerde sönümleyebilir, yansıtabilir veya başka doğrultulara aktarabilir.

Önceki veri tabanlı çalışmalarda, belirli noktalarda darbe üretilmiş ve tek bir sensörün kaydettiği sinyaller kaynak konumlarıyla eşleştirilmiştir. Model, eğitimde gördüğü noktaların yakınındaki darbeleri başarıyla yerelleştirebilmiştir. Ayrıca kaynağın hangi katta olduğunu ayırt etme konusunda da belirli başarılar elde edilmiştir.

Ancak önemli bir sorun ortaya çıkmıştır: Kaynak ve alıcının göreli konumu aynı tutulsa bile deney başka bir kat bölümünde tekrarlandığında kaydedilen sesin dağılımı değişmiştir. Yalnızca ham ses sinyalinden öğrenen model, eğitimde görmediği katta kesin oda veya konum tahmini yapamamıştır.

Bu problem neden önemlidir?

Darbe sesinin kaynağını belirlemek yalnızca komşular arasındaki anlaşmazlık açısından önemli değildir. Aynı teknik yaklaşım şu alanlarda da kullanılabilir:

• Akıllı binalarda insan hareketlerinin izlenmesi
• Yaşlı veya yalnız yaşayan bireylerde düşme olaylarının algılanması
• Yetkisiz giriş ve güvenlik olaylarının belirlenmesi
• Makine veya yapı elemanlarında anormal darbenin izlenmesi
• Gürültü şikâyetlerinin nesnel olarak incelenmesi
• Yapısal titreşim kaynaklarının bakım amacıyla tespit edilmesi

Çok sensörlü sistemlerde kaynak yeri, sensörler arasındaki varış zamanı farkı kullanılarak üçgenleme benzeri yöntemlerle hesaplanabilir. Ancak çok sayıda sensör, kablolama, senkronizasyon ve montaj maliyeti oluşturur. Bu çalışma yalnızca tek sensörle konumlandırma yapmayı hedeflediği için pratik kurulum açısından ilgi çekicidir.

Literatürde hangi boşluğa cevap veriyor?

Yapı içindeki ses ve titreşim kaynağı konumlandırma yöntemleri genel olarak iki gruba ayrılabilir:

• Analitik yöntemler: Varış zamanı farkı, yayılma hızı, açı ve fiziksel dalga modeli gibi açık denklemlere dayanır.
• Öğrenme tabanlı yöntemler: Ölçülen sinyal ile kaynak konumu arasındaki ilişkiyi veriden öğrenir.

Analitik yöntemlerin avantajı fiziksel yorumlanabilirliktir. Buna karşılık karmaşık bir binadaki malzeme özelliklerini, birleşimleri, sönümü ve dispersiyonu doğru modellemek zordur. Öğrenme tabanlı yöntemler bu ayrıntılı fiziksel parametrelere ihtiyaç duymadan veriye uyum sağlayabilir; ancak çok sayıda etiketli örneğe gereksinim duyar ve farklı bina bölümlerine genelleme sorunu yaşayabilir.

Bu çalışma iki yaklaşım arasında bir köprü kurmaktadır. Yapının tam dalga denklemini çözmez; fakat bina geometrisini ve bileşen bağlantılarını öğrenme modelinin içine açık biçimde ekler. Böylece model yalnızca “bu ses hangi sınıfa benziyor?” sorusuna değil, “ses yapı içindeki hangi bağlantılar üzerinden alıcıya ulaşmış olabilir?” sorusuna da dolaylı biçimde cevap vermeye çalışır.

Bina neden graf olarak temsil edildi?

Graf, düğümler ve bu düğümler arasındaki bağlantılardan oluşan matematiksel bir yapıdır:

\[ \mathcal{G} = (\mathcal{V}, \mathcal{E}) \]

Burada:

• \(\mathcal{V}\), düğüm kümesidir.
• \(\mathcal{E}\), düğümler arasındaki kenar veya bağlantı kümesidir.

Çalışmada düğümler betonarme binanın fiziksel bileşenlerini temsil etmektedir:

• Döşemeler
• Duvarlar
• Odalar veya hava hacimleri
• Ses alıcısının bulunduğu nokta
• Olası darbe kaynağı konumları

Kenarlar ise bu bileşenlerin fiziksel olarak birbirine nasıl bağlandığını gösterir. Örneğin bir döşeme duvarla, duvar komşu oda hacmiyle, oda da alıcı düğümle ilişkilendirilebilir.

Bu temsilin avantajı, aynı geometrik oda düzeninin farklı katlarda tekrar etmesi durumunda yapısal ilişkinin korunabilmesidir. Ham ses dağılımı değişse bile kaynak ile alıcı arasındaki bağlantı örüntüsü graf üzerinde benzer kalabilir.

Çalışmadaki bina grafı nasıl görünüyor?

Çalışmanın ana graf şemasında döşeme düğümleri daire, duvar düğümleri üçgen, hava düğümleri eşkenar dörtgen ve alıcı düğümü kare ile gösterilmiştir. Düğümleri bağlayan çizgiler sesin olası aktarım yollarını temsil etmektedir.

Kaynak düğümü kırmızı renkle, alıcı ise mavi kareyle işaretlenmiştir. Darbe sesinden elde edilen özellikler kaynak düğümünden başlayarak döşeme, duvar ve hava düğümleri üzerinden alıcıya doğru yayılır.

Graf doğrudan tüm bina bileşenleriyle kullanıldığında bağlantı sayısı çok büyüyebilir. Araştırmacılar bu karmaşıklığı azaltmak amacıyla binayı oda ölçekli bileşenlere ayırmış ve kaynak ile alıcı arasındaki en kısa yolları koruyan sadeleştirilmiş bir kenar yapısı kullanmıştır.

Düğüm özellikleri nelerdir?

Her düğüm yalnızca yapı tipiyle temsil edilmemektedir. Çalışmada aşağıdaki özellikler düğümlere eklenmiştir:

Yapısal bileşenler şu şekilde kodlanmıştır:

• Döşeme: [1, 0, 0]
• Duvar: [0, 1, 0]
• Hava: [0, 0, 1]

Göreli kat bilgisi:

• Alıcının üstündeki kat: [1]
• Aynı kat: [0]
• Alıcının altındaki kat: [-1]

Kaynak düğümünün başlangıç durumu

Darbe sesinin ham dalga biçimi doğrudan grafa verilmemiştir. Önce SoundNet tabanlı bir kodlayıcı tarafından daha düşük boyutlu bir ses gömmesine dönüştürülmüştür.

Kaynak düğümünün başlangıç durumu şu şekilde tanımlanmıştır:

\[ \mathbf{h}^{0}_{s} = [\phi \ \mathcal{A}_{v}] \]

Burada:

• \(\mathbf{h}^{0}_{s}\), kaynak düğümünün başlangıç durumudur.
• \(\phi\), darbe sesinin kodlanmış gömmesidir.
• \(\mathcal{A}_{v}\), düğümün yapı, konum, kat ve kaynak türü özellikleridir.

Gündelik ifadeyle kaynak düğümü, “bu noktada şu tür darbe oldu ve binadaki konumu budur” bilgisini taşır.

Kaynak olmayan düğümlerin başlangıç durumu

\[ \mathbf{h}^{0}_{v \neq source} = [\mathbf{U} \ \mathcal{A}_{v}] \]

Burada U, elemanları sıfır veya pozitif olan ve toplamı 1’e eşit rastgele bir ortam vektörüdür.

Bu düğümler gerçek darbe sinyali içermez. Yalnızca binadaki bileşen türünü ve ortam durumunu temsil eder. Mesaj iletimi ilerledikçe kaynak bilgisinin bir kısmı bu düğümlere taşınır.

SoundNet kodlayıcısı ne yapıyor?

SoundNet, ham ses dalga biçimlerinden öğrenilmiş özellikler çıkaran evrişimli bir ağdır. Çalışmada SoundNet’in girişten ReLU6 katmanına kadar olan bölümü kullanılmış ve ardından iki tam bağlantılı katman eklenmiştir.

Amaç, uzun ve yüksek boyutlu ses kaydını, graf düğüm durumuyla birleştirilebilecek daha kompakt bir temsil haline getirmektir. Böylece graf modeli ham sesin her örneğini değil, kaynak türü ve iletim özellikleri açısından anlamlı özetini işler.

Mesaj iletimi nedir?

Graf sinir ağlarında mesaj iletimi, her düğümün komşularından bilgi alması ve kendi durumunu güncellemesi işlemidir. Çalışmada bu işlem, darbe enerjisinin yapı içinde yayılmasına benzetilmektedir.

Mesaj iletimi iki temel aşamadan oluşur:

1. Toplama: Komşu düğümlerdeki özellikler bir araya getirilir.
2. Durum güncelleme: Komşulardan gelen bilgi düğümün önceki durumuyla birleştirilir.

Bu işlem K adet ayrık adım boyunca tekrarlanır. K değeri, ses bilgisinin graf üzerinde kaç bağlantı derinliğine kadar ilerleyebileceğini belirler.

Komşu bilgilerin toplanması

Her komşu düğümün önceki durumu, ortak öğrenilebilir ağırlık matrisiyle dönüştürülür ve aktivasyon fonksiyonundan geçirilir:

\[ \mathbf{h}^{k}_{u_v} = \sigma \left( \mathbf{W}^{k}_{pool} \mathbf{h}^{k-1}_{u_v} + \mathbf{b} \right) \]

Burada:

• \(\mathbf{h}^{k-1}_{u_v}\), komşu düğümün önceki durumudur.
• \(\mathbf{W}^{k}_{pool}\), k adımında tüm düğümler tarafından paylaşılan öğrenilebilir ağırlıktır.
• \(\sigma\), doğrusal olmayan aktivasyon fonksiyonudur.
• b, yanlılık terimidir.

Dönüştürülen komşu durumları AGG adı verilen toplama fonksiyonuyla birleştirilir:

\[ \mathbf{h}^{k}_{\mathcal{N}(v)} = AGG \left( \left\{ \mathbf{h}^{k}_{u_v} : u_v \in \mathcal{N}(v) \right\} \right) \]

Burada \(\mathcal{N}(v)\), v düğümünün komşularını gösterir.

Önceki durumu dikkate alan güncelleme

\[ \mathbf{h}^{k}_{v} = \sigma \left( \mathbf{W}^{k} CONCAT \left( \mathbf{h}^{k}_{\mathcal{N}(v)}, \mathbf{h}^{k-1}_{v} \right) \right) \]

Ardından durum L2 normuyla normalize edilir:

\[ \mathbf{h}^{k}_{v} \leftarrow \frac{\mathbf{h}^{k}_{v}} {\left\lVert \mathbf{h}^{k}_{v} \right\rVert_{2}} \]

Bu güncelleme, düğümün yalnızca komşulardan gelen bilgiyi değil kendi önceki durumunu da korumasını sağlar. Normalizasyon ise farklı düğümlerde özellik büyüklüğünün kontrolsüz biçimde artmasını sınırlar.

Fiziksel anlamı nedir?

Bu denklemler gerçek ses enerjisinin fiziksel birimiyle doğrudan hesaplanmış bir enerji korunumu modeli değildir. Graf düğüm durumları, öğrenilmiş özellik vektörleridir. Dolayısıyla mesaj iletimi “kaç desibel ses geçti?” sorusuna doğrudan cevap vermez.

Bunun yerine model, gerçek bina kayıtlarından şu ilişkiyi öğrenir: Belirli bir kaynak konumundan başlayan darbe özelliği, yapı bağlantıları üzerinden ilerlediğinde alıcı düğümünde nasıl bir temsil oluşturmalıdır?

Grafın kenar yapısı nasıl sadeleştirildi?

Gerçek bir binadaki tüm yapı elemanlarını ve tüm bağlantıları dahil etmek çok büyük ve karmaşık bir graf oluşturabilir. Araştırmacılar her katı oda ölçekli bölümlere ayırmış ve kaynak-alıcı arasındaki en kısa yolları tutmuştur.

Bu sadeleştirme:

• Hesaplama yükünü azaltır.
• Kaynak ile alıcı arasındaki en muhtemel iletim yollarına odaklanır.
• Gereksiz veya uzak bağlantıların öğrenmeyi bozmasını sınırlar.

Ancak gerçek sesin yalnızca en kısa yoldan ilerlediği kanıtlanmamıştır. Yansımalar, daha uzun yapısal yollar ve birleşim etkileri bulunabilir. Bu nedenle sadeleştirilmiş graf, gerçek binanın yaklaşık bir temsilidir.

Graf ağırlıkları nasıl öğrenildi?

Mesaj iletimindeki ağırlıklar başlangıçta bilinmemektedir. Bunlar gerçek binada farklı kaynak noktalarından ölçülen darbe sesleri kullanılarak optimize edilmiştir.

Çalışmadaki temel optimizasyon şu şekilde ifade edilmiştir:

\[ \mathbf{W}^{*} = \arg\min_{\mathbf{W}} \mathcal{L} \left( \phi(x_{train,i}), \mathbf{h}^{K}_{r} \right) \]

Burada:

• \(\mathbf{W}^{*}\), öğrenilmiş en uygun graf ağırlıklarıdır.
• \(\phi(x_{train,i})\), ölçülen eğitim sesinin gömmesidir.
• \(\mathbf{h}^{K}_{r}\), mesaj iletimi sonunda alıcı düğümünde oluşan durumdur.
• \(\mathcal{L}\), ölçülen ses gömmesi ile graf tahmini arasındaki farktır.

Model farklı kaynak konumlarından alınan kayıtlarla eğitildikçe, hangi yapı bağlantılarının ses özelliğini ne ölçüde dönüştürdüğünü öğrenmeye çalışır.

Yeni bir darbe sesi nasıl konumlandırılıyor?

Eğitimden sonra graf üzerinde her aday kaynak konumu için alıcı düğümünde oluşması beklenen tepki hesaplanır. Bu tepkiler D adlı bir koleksiyonda saklanır.

Yeni bir darbe sesi geldiğinde SoundNet kodlayıcısıyla gömmeye dönüştürülür ve D içindeki aday tepkilerle karşılaştırılır:

\[ \hat{v} = \arg\min_{v} \mathcal{L} \left( \phi(\tilde{x}_{new}), D \right) \]

Burada:

• \(\hat{v}\), tahmin edilen kaynak düğümüdür.
• \(\tilde{x}_{new}\), yeni darbe kaydıdır.
• D, tüm aday kaynak konumlarının alıcıda oluşturduğu öğrenilmiş tepki kümesidir.

Yeni ses hangi aday tepkiye en çok benziyorsa kaynak o düğüm olarak seçilir.

Deney hangi verilerle yapıldı?

Çalışmada iki veri kümesi kullanılmıştır:

APT II veri kümesi

APT II kayıtları gerçek bir betonarme binada oluşturulmuştur. Kaynaklar odaların merkezlerinde konumlandırılmıştır. Dört temel kaynak noktası 2-A, 2-B, 2-C ve 2-D olarak adlandırılmıştır.

Üç alt küme hazırlanmıştır:

• Alt kattaki alıcı: 2-A, 2-B, 2-C ve 2-D kaynakları, bir alt kattaki tek sensörle kaydedilmiştir.
• Üst kattaki alıcı: Aynı kaynak konumları bir üst kattaki sensörle kaydedilmiştir.
• Görülmeyen kat bölümü: 2-A′, 2-B′, 2-C′ ve 2-D′ kaynakları başka bir kat kesiminde, yine alttaki tek sensörle kaydedilmiştir.

Ana bilgi aktarımı testi, göreli kaynak-alıcı konumları aynı olmakla birlikte farklı kat bölümünde toplanan bu üçüncü veri üzerinde yapılmıştır.

SNU-B36-50E veri kümesi

Bu veri kümesi Seul Ulusal Üniversitesi’ndeki bir kampüs binasından alınmıştır. Yaklaşık 2300 ses kaydı ve 19 kaynak konumu içermektedir.

Daha büyük ve çeşitli olduğu için SoundNet tabanlı gömme modelinin ön eğitilmesinde kullanılmıştır. Ana bina grafı ise APT II verisiyle optimize edilmiştir.

Hangi darbe türleri kullanıldı?

Graf özelliklerinde üç darbe türü tanımlanmıştır:

• MB: Medicine ball drop, ağır sağlık topunun zemine bırakılması
• HD: Hammer drop, çekicin zemine düşürülmesi
• HH: Hammering, yüzeye çekiçle vurulması

Bu darbeler farklı frekans, süre ve enerji dağılımına sahiptir. Kaynak türünün graf özelliğine eklenmesi, modelin aynı konumdan gelen farklı darbeleri ayırmasına yardımcı olabilir.

Karşılaştırma yöntemleri

1. Çapraz korelasyon

Yeni sinyal, eğitimdeki her sinyalle farklı zaman kaymalarında karşılaştırılmıştır:

\[ \mathcal{C} (x_{new},x_{train,i})[\tau] = \sum_{n=0}^{N-1} x_{new}[n] x_{train,i}[n+\tau] \]

Burada:

• \(\tau\), zaman kaymasıdır.
• N, sinyal uzunluğudur.
• \(\mathcal{C}\), iki sinyal arasındaki benzerliği gösterir.

En yüksek benzerliği veren eğitim konumu, yeni sesin kaynağı olarak seçilir.

2. Evrişimli sinir ağı

SoundNet tabanlı CNN ham dalga biçiminden özellik çıkarır ve kaynak konumunu doğrudan sınıflandırır. Bu model yapının geometrisini veya döşeme-duvar bağlantılarını kullanmaz.

3. Standart tam bağlantılı sinir ağı

VNN adı verilen bu model, graf yöntemiyle benzer sayıda öğrenilebilir parametreye ve aynı giriş özelliklerine sahiptir. Ancak düğüm ve kenar yapısı bulunmaz. Bu karşılaştırma, başarının yalnızca daha fazla parametreden değil graf topolojisinden kaynaklanıp kaynaklanmadığını araştırmak için kullanılmıştır.

Eğitim düzeni

Ana veri kümesi eğitim ve doğrulama için 4:1 oranında rastgele bölünmüştür. Beş farklı rastgele bölünme kullanılmıştır.

Hiperparametreler 30 rastgele denemeyle aranmıştır. Her denemede parametreler 10^-4 ile 10 aralığından seçilmiş ve modeller 30 epoch eğitilmiştir. Doğrulamada en iyi sonucu veren parametreler sabitlenerek görülmeyen kat verisinde test yapılmıştır.

Doğruluk sonuçları

Çapraz korelasyon ve CNN, eğitim verisiyle aynı dağılımdaki doğrulama örneklerinde yüksek başarı göstermiştir. Ancak başka kat bölümündeki test verisinde büyük performans kaybı yaşamıştır.

VNN, graf yöntemiyle benzer giriş ve parametre sayısına sahip olmasına rağmen hem doğrulamada hem testte kararsız sonuçlar vermiştir. Bu bulgu, yalnızca yapı özelliklerini vektör olarak eklemenin yeterli olmadığını; bileşenlerin bağlantı düzeninin de önemli olduğunu düşündürmektedir.

Graf yöntemi tüm bölünmelerde yüzde 100 doğruluk vermiştir. Çalışmanın ana iddiası, bu sonucun graf yapısının farklı kat kesimleri arasındaki dağılım farkını azaltmasından kaynaklandığıdır.

Yüzde 100 doğruluk nasıl yorumlanmalıdır?

Yüzde 100 doğruluk dikkat çekicidir; ancak deney kapsamı sınırlıdır. Testte yalnızca dört kaynak sınıfı bulunmaktadır. Kaynak-alıcı geometrisi eğitimdekiyle aynıdır ve bina türü betonarmedir.

Bu nedenle sonuç şu anlama gelmez:

• Her binada tüm odaların kesin olarak bulunabileceği
• Birden fazla eş zamanlı darbenin ayırt edilebileceği
• Televizyon, konuşma veya müzik gibi hava doğuşlu seslerin konumlandırılabileceği
• Sensör yerinin değişmesi halinde modelin yeniden eğitim gerektirmeyeceği
• Farklı bina geometrilerinde aynı doğruluğun korunacağı

Sonuç, tanımlanan deney koşullarında graf yönteminin karşılaştırma modellerinden çok daha iyi bilgi aktarımı yaptığını göstermektedir.

t-SNE görselleri ne anlatıyor?

t-SNE, yüksek boyutlu ses temsillerini iki boyutta görselleştiren bir yöntemdir. Graf yönteminin başarısını açıklamak için dört kaynak konumuna ait çıktı gömmeleri t-SNE ile çizilmiştir.

Eğitim dağılımına benzeyen doğrulama verisinde CNN ve graf modeli kaynak sınıflarını görece açık kümelere ayırmıştır. VNN’de bazı kaynaklar birbirine karışmıştır.

Görülmeyen kat verisinde VNN ve CNN kümeleri belirgin biçimde üst üste binmiştir. Bu durum, modellerin aynı göreli konumları farklı kat kesiminde aynı sınıfa taşıyamadığını göstermektedir.

Graf yönteminde ise dört kaynak konumu ayrı çizgiler veya kümeler halinde ayrılmıştır. Araştırmacılar bunu graf geometrisinin veri dağılımı değişimini dengelemesi olarak yorumlamıştır.

Enerji yayılımı görseli ne gösteriyor?

Graf üzerindeki k = 1, 2, 3 ve 4 mesaj iletimi adımları renk ölçeğiyle gösterilmiştir. İlk adımda yüksek aktivasyon kaynak düğümüne yakınken sonraki adımlarda komşu düğümlere ve alıcıya doğru yayılmıştır.

Bu görsel, modelin ses bilgisini tek adımda doğrudan kaynaktan alıcıya taşımadığını; yapı bağlantıları boyunca kademeli olarak aktardığını göstermektedir.

Ancak renk ölçeğinin fiziksel ses basınç düzeyi veya joule cinsinden gerçek enerji olmadığı unutulmamalıdır. Gösterilen değerler öğrenilmiş düğüm özelliklerinin toplamıdır.

Çalışmanın geçmiş açısından önemi

Önceki tek sensörlü öğrenme yaklaşımları, eğitimde görülen oda veya kat düzeninde başarılı olabilmiş fakat başka kat bölümlerine aktarımda ciddi doğruluk kaybı yaşamıştır. Bu çalışma, yapısal bağlamı açıkça modelleyerek bu aktarım sorununu ele almaktadır.

Graf tabanlı yaklaşım, fiziksel yapıyı tamamen göz ardı eden uçtan uca sınıflandırma modellerinden daha yorumlanabilir bir ara katman sunmaktadır. Döşeme, duvar, hava ve alıcı gibi bileşenlerin model içinde açık karşılığı bulunmaktadır.

Bugün açısından önemi

Akıllı bina sistemleri giderek daha fazla ses, titreşim, sıcaklık ve hareket sensörü kullanmaktadır. Tek sensörle kaynak konumlandırma yapılabilmesi, sensör sayısını ve kurulum maliyetini azaltabilir.

Özellikle konutlarda gürültü şikâyetlerinin nesnel incelenmesi açısından, yalnızca ses yüksekliğini değil kaynağın muhtemel konumunu belirleyen sistemler geliştirilebilir. Bununla birlikte mahremiyet, yanlış suçlama ve hukuki kullanım açısından yüksek güvenilirlik ve bağımsız doğrulama gerekir.

Gelecek açısından önemi

Yazarlar veri bağımlılığını azaltmak için az örnekli öğrenme ve denetimsiz öğrenme yöntemlerinin araştırılmasını önermektedir. Daha fazla bina tipi, kaynak-alıcı düzeni ve ses türü sisteme dahil edilirse yöntem daha geniş koşullara genellenebilir.

Graf yaklaşımı gelecekte bina bilgi modelleriyle birleştirilebilir. Bir yapının duvar, döşeme ve oda geometrisi BIM dosyasından otomatik alınarak ses iletim grafı oluşturulabilir.

Gündelik yaşama olası etkileri

• Katlar arası vurma sesinin hangi oda veya yönden geldiğinin tahmin edilmesi
• Yaşlı bireylerin düşme olaylarının bulunduğu alanın belirlenmesi
• Akıllı evlerde ayak sesi ve hareket takibi
• Güvenlik sistemlerinde izinsiz darbe veya kırılma kaynağının bulunması
• Endüstriyel yapılarda anormal darbe veya titreşim noktalarının tespiti
• Gürültü azaltma uygulamalarında öncelikli yapı elemanlarının belirlenmesi

Çalışmanın güçlü yönleri

• Gerçek betonarme binada ölçülen sesleri kullanması
• Tek sensörlü konumlandırma yaklaşımı sunması
• Bina geometrisini ve yapı bileşenlerini açık biçimde modele dahil etmesi
• Mesaj iletimiyle yapısal ses aktarımını temsil etmesi
• Aynı girişe ve benzer parametre sayısına sahip VNN karşılaştırması yapması
• Çapraz korelasyon ve CNN gibi farklı temel yöntemlerle kıyaslama yapması
• Görülmeyen kat bölümünde bilgi aktarımını özel olarak sınaması
• Beş farklı rastgele veri bölünmesinde tutarlı sonuç raporlaması
• t-SNE görselleştirmeleriyle dağılım farkını göstermesi
• Graf üzerindeki kademeli mesaj yayılımını görsel olarak sunması

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Ana testte yalnızca dört kaynak konumu bulunmaktadır.
• Kaynakların odaların merkezinde olduğu kontrollü düzen kullanılmıştır.
• Tek bir alıcı konumu temel alınmıştır.
• Kaynak-alıcı geometrisinin sınırlı bir çevresi incelenmiştir.
• Birden fazla eş zamanlı ses kaynağı test edilmemiştir.
• Arka plan gürültüsü ve günlük yaşam koşullarındaki karmaşık sesler ayrıntılı değerlendirilmemiştir.
• Farklı bina malzemeleri ve geometrileri üzerinde genel doğrulama yapılmamıştır.
• Graf kenarları en kısa yollarla sadeleştirilmiştir; gerçek tüm iletim yolları temsil edilmemiştir.
• Yapı bileşenlerinin gerçek elastik ve akustik parametreleri doğrudan kullanılmamıştır.
• Model yoğun veri toplama ve etiketleme gerektirmektedir.
• Yüzde 100 doğruluk küçük ve tanımlı bir test alanına aittir.
• Gerçek apartman şikâyetlerinde yanlış pozitif ve yanlış suçlama riski araştırılmamıştır.
• Uzun dönem sensör değişimi, sıcaklık ve nem etkileri incelenmemiştir.

Çalışma ne söylüyor, ne söylemiyor?

Çalışmanın söylediği: Betonarme yapının döşeme, duvar, hava ve alıcı bileşenlerini graf olarak temsil etmek, tek sensörlü darbe sesi konumlandırmada farklı kat bölümleri arasındaki bilgi aktarımını güçlendirebilir. Yapı bağlantılarını kullanmayan CNN, VNN ve çapraz korelasyon yöntemleri görülmeyen katta ciddi doğruluk kaybı yaşarken graf yöntemi tanımlanan deneyde yüksek başarı göstermiştir.

Çalışmanın söylemediği: Yöntem her apartmanda komşu gürültüsünün kesin kaynağını bulmayı garanti etmez. Sonuçlar hukuki delil niteliği taşımaz. Model birden fazla eş zamanlı kaynağı, konuşmayı, televizyonu veya hava doğuşlu genel gürültüyü konumlandırdığını göstermemiştir. Yüzde 100 doğruluk geniş bina popülasyonunda doğrulanmış genel performans değildir.

Çalışmanın Yöntemi ve Bulguları

Araştırmanın teknik iş akışı

Temel formüller

Kaynak düğümü:

\[ \mathbf{h}^{0}_{s} = [\phi \ \mathcal{A}_{v}] \]

Kaynak olmayan düğüm:

\[ \mathbf{h}^{0}_{v \neq source} = [\mathbf{U} \ \mathcal{A}_{v}] \]

Düğüm güncelleme:

\[ \mathbf{h}^{k}_{v} = \sigma \left( \mathbf{W}^{k} CONCAT \left( \mathbf{h}^{k}_{\mathcal{N}(v)}, \mathbf{h}^{k-1}_{v} \right) \right) \]

L2 normalizasyon:

\[ \mathbf{h}^{k}_{v} \leftarrow \frac{\mathbf{h}^{k}_{v}} {\left\lVert \mathbf{h}^{k}_{v} \right\rVert_{2}} \]

Graf ağırlık optimizasyonu:

\[ \mathbf{W}^{*} = \arg\min_{\mathbf{W}} \mathcal{L} \left( \phi(x_{train,i}), \mathbf{h}^{K}_{r} \right) \]

Kaynak tahmini:

\[ \hat{v} = \arg\min_{v} \mathcal{L} \left( \phi(\tilde{x}_{new}), D \right) \]

Veri kümelerinin yapısı

Beş veri bölünmesindeki doğruluklar

Sonuçların teknik yorumu

• Doğrulama ve test dağılımları, göreli geometrileri aynı olmasına rağmen ses özellikleri açısından farklıdır.
• CNN eğitim dağılımında güçlüdür ancak başka kat bölümündeki alan değişimine uyum sağlayamamıştır.
• VNN’ye aynı yapı özelliklerinin verilmesi tek başına yeterli olmamıştır.
• Graf yöntemi, yapı özelliklerinin yanı sıra bileşenler arasındaki bağlantıları da kullanmıştır.
• t-SNE gösterimleri graf yönteminin dört kaynak sınıfını görülmeyen katta da ayırabildiğini göstermiştir.
• Mesaj iletimi görselleri, kaynak aktivasyonunun k adımları boyunca alıcıya doğru yayıldığını göstermektedir.

Olası uygulama alanları

• Akıllı apartmanlarda katlar arası darbe sesi takibi
• Tek sensörlü ayak sesi konumlandırma
• Düşme ve çarpma olaylarının oda düzeyinde tespiti
• Yapısal titreşim kaynaklarının bakım amaçlı belirlenmesi
• Gürültü şikâyetlerinin teknik ön incelemesi
• Otomatik bina konforu ve gürültü yönetimi

Gelecek araştırma gereksinimleri

• Daha fazla bina ve farklı yapı malzemeleri üzerinde deney
• Daha geniş kaynak-alıcı geometrileri
• Birden fazla sensör konumuyla karşılaştırma
• Eş zamanlı çoklu ses kaynaklarının ayrılması
• Arka plan gürültüsü altında dayanıklılık testleri
• Az örnekli ve denetimsiz öğrenme
• BIM verisinden otomatik graf üretimi
• Gerçek fiziksel malzeme ve birleşim özelliklerinin grafa eklenmesi
• Uzun dönem sensör ve çevre değişimlerinin incelenmesi
• Yanlış tahminler için güven veya belirsizlik puanı üretilmesi

Kaynak ve Yöntem Notu

Bu içerik, Hwiyong Choi ve Haesang Yang tarafından hazırlanan “Localization of impact sound in a building via a graph representation” başlıklı çalışmaya dayanmaktadır.

Çalışma, betonarme bir binanın döşeme, duvar, hava ve alıcı bileşenlerini düğüm ve kenarlardan oluşan graf yapısına dönüştüren; gerçek darbe seslerini SoundNet tabanlı bir kodlayıcıyla işleyen ve ses bilgisini graf üzerinde mesaj iletimiyle yayarak tek sensörden kaynak konumu tahmin eden deneysel bir yapay zekâ ve yapı akustiği araştırmasıdır.

Metinde açıkça “This preprint research paper has not been peer reviewed” ifadesi bulunmaktadır. Çalışma SSRN üzerinde yayımlanmış bir preprinttir ve hakem değerlendirmesinden geçmemiştir. Bu nedenle yöntem ayrıntıları, yüzde 100 doğruluk sonucu ve genellenebilirlik yorumları bağımsız hakem değerlendirmesi sonrasında değişebilir.

Deney gerçek bir betonarme binada yapılmış olmakla birlikte ana test yalnızca dört kaynak konumu, tek alıcı, sınırlı kaynak-alıcı geometrisi ve kontrollü darbe türleriyle yürütülmüştür. Yöntem farklı bina malzemeleri, çoklu eş zamanlı kaynaklar, yoğun arka plan gürültüsü veya değişken sensör yerleşimlerinde kapsamlı biçimde doğrulanmamıştır.

Yüzde 100 test doğruluğu, tanımlanan APT II veri kümesi ve beş veri bölünmesi için raporlanmıştır. Bu değer tüm apartmanlar veya gerçek yaşam koşulları için garanti değildir. Çalışma yöntemin hukuki gürültü tespiti, komşu sorumluluğu belirleme veya resmî akustik ölçüm aracı olarak kullanılabileceğini göstermemektedir.

İçerik yalnızca PDF’de bulunan yöntem, veri kümeleri, denklemler, tablolar, görseller, deney sonuçları ve sınırlılıklar temel alınarak hazırlanmıştır. PDF’de yer almayan ticari sistem başarısı, kesin komşu tespiti, güvenlik garantisi veya geniş ölçekli saha doğrulaması iddiası eklenmemiştir.