基于深度学习的正常发声期声门流广义降阶模型
流体动力学
2020-05-26 v1
摘要
本文提出一种基于深度学习的广义降阶模型（ROM），能够快速准确地预测正常发声期间的声门流。该方法基于声带振动可由一个通用运动学方程（UKE）表示的假设，该方程用于生成声门形状库。对于库中的每种形状，流量和压力分布的基准真值由高保真纳维-斯托克斯（N-S）解获得。然后训练一个全连接深度神经网络（DNN），以建立形状与流量及压力分布之间的经验映射。所获得的基于DNN的降阶流动求解器与基于有限元法（FEM）的固体动力学求解器耦合，用于发声的流固耦合（FSI）模拟。通过在静态声门形状和FSI模拟中与纳维-斯托克斯解进行比较，对该降阶模型进行了评估。结果在精度和效率方面均显示出良好的预测性能。
引用
@article{arxiv.2005.11427,
title = {A deep-learning based generalized reduced-order model of glottal flow during normal phonation},
author = {Yang Zhang and Weili Jiang and Luning Sun and Jianxun Wang and Simeon Smith and Ingo R. Titze and Xudong Zheng and Qian Xue},
journal= {arXiv preprint arXiv:2005.11427},
year = {2020}
}