Maxime Bilodeau, gagnant du concours de vulgarisation scientifique 2020 de l'Université de SherbrookePhoto: UdeS - Michel Caron Quand on est malade, afin de voir l'invisible, on a recours à différentes techniques d'
imagerie: échographie, IRM, rayons X, etc. Lorsqu'il s'agit de réduire le
bruit et d'améliorer le confort
acoustique, on peut avoir recours à des techniques similaires. En effet, les acousticiens, ces scientifiques qui étudient le son, utilisent des méthodes d'imagerie pour voir et analyser ce qui est invisible à nos yeux: le son.
Un nouvel algorithme d'imagerie appelé TD-PCa[1], récemment publié dans le
Journal of the Acoustical Society of America par l'équipe de Pr Masson et Pr Berry[2], permet de détecter des sources de bruits et de visualiser leurs variations dans le temps sous la forme de vidéos. Ces vidéos s'avèrent plus faciles à interpréter par les acousticiens que les images typiquement obtenues.
[b]Qu'est-ce que l'imagerie acoustique ? [/b]
Figure 1 - Exemple d'image acoustique généralement obtenue (haut) et explication de l'algorithme TD-PCa (bas):
a) On divise la zone d'intérêt en sonels
b) À l'aide de mathématiques, on ne conserve que les sonels importants
c) On évalue le bruit sur tous les sonels conservés
En imagerie acoustique, les algorithmes - ces longues séquences de calculs - permettent d'obtenir une cartographie de bruit: une photo du lieu inspecté sur laquelle on a superposé les niveaux de bruit (voir Figure 1). Afin d'obtenir ce type d'image, l'acousticien utilise généralement un
ensemble de plusieurs microphones, qu'on nomme
antenne. Cette antenne agit un peu comme les oreilles de l'acousticien et mesure très précisément le bruit. À partir de cette mesure, l'algorithme est utilisé pour construire la cartographie du bruit.
Malheureusement, pour obtenir une image claire, ces algorithmes nécessitent l'utilisation d'un grand nombre de microphones. Obtenir une image est déjà compliqué, en avoir plusieurs pour observer les variations de bruit dans le temps est le réel défi. C'est exactement ce que permet le nouvel algorithme, TD-PCa.
En quoi l'algorithme TD-PCa est-il différent?
Tout comme une image de votre
télévision est constituée de millions de
pixels[3], l'algorithme TD-PCa considère que la zone d'intérêt est divisée en plusieurs milliers de sources élémentaires de bruit que l'on appellera des
sonels[4] (voir Figure 1). L'objectif de l'algorithme est donc de trouver comment chacun de ces
sonels contribue au bruit mesuré par chacun des microphones. En
mathématique, on dit que ces
sonels sont les inconnues de l'
équation.
Par exemple, imaginons que la zone d'intérêt est divisée en 5 000
sonels, et que l'objectif est de faire une
vidéo constituée de 100 images. Dans ce cas, l'algorithme doit réaliser un calcul composé de 500 000 inconnues (5 000
sonels x 100 images) ! Mathématiquement, ce type de problème est très compliqué à résoudre lorsque le nombre de sources (ici 500 000
sonels) est plus petit que le nombre de mesures (données recueillies par les microphones). TD-PCa, lui, utilise une méthode
statistique pour identifier les
sonels les plus susceptibles de contribuer au bruit. Cette première étape de calcul permet de réduire de 99% le nombre de sonels à considérer dans l'équation. Ainsi, le calcul peut être résolu avec un
ordinateur portable typique. De plus, étant donné que l'algorithme donne des images acoustiques plus claires, on peut diminuer le nombre de microphones nécessaire pour obtenir des images comparables à celles des algorithmes classiques.
Moins de bruit autour de nous
Ce qui est aussi démontré dans cet article
2, c'est que TD-PCa permet de visualiser des phénomènes physiques non observables à l'aide des algorithmes d'imagerie typiques. Ainsi, les acousticiens peuvent mieux identifier les sources de bruit et concevoir des avions, des autos et des lave-vaisselles moins bruyants !
Avec la miniaturisation des microphones et la capacité de calcul croissante de nos ordinateurs, tablettes et cellulaires, on peut rêver pour le futur à des caméras acoustiques dans nos poches !
Notes:
[1] TD-PCa pour [i]Time Domain Phase Coherence algorithm
[2] Bilodeau M., Quaegebeur N., Robin O., O'Donoughue P., Masson P., Berry A., [i]Time domain imaging of extended transient noise sources using phase coherence, The Journal of the Acoustical Society of America,146, 4851 (2019)
[3] Pixel est une contraction de: Picture element
[4] Sonel est une contraction de: Sound element