前 言 

關于隔聲問題及實驗測量方法

隔聲問題及實驗測量方法隔聲問題，一般討論的是物體一側的聲波透過物體傳遞到另外一側的問題。隔聲越好，消聲作用越強，物體另一側透過的聲音越小。隔聲的定量描述，即聲學透射系數t_I的倒數，實用中常用分貝來度量，表達如下：

T_L=10log₁₀(1/t_I)

實驗測量時，則需要在專業的聲學實驗室中進行。下圖是兩種專門用來測量隔聲量的實驗室。

圖1實驗室一：混響室+（半）消聲室

圖2實驗室二：混響室+混響室

將實驗待測試件安裝于兩個聲學實驗室共有的墻壁中，測量發聲室一側入射到試件上的聲功率和受聲室一側的透射聲功率，就可以由隔聲量的計算公式推導出試件的隔聲量。

板件的典型的隔聲量曲線如圖 3所示。

圖3典型隔聲曲線

隔聲量一般是隨頻率變化的。總的來說，隔聲性能隨頻率升高而提高。但是在各個頻率段中，隔聲性能又由不同因素影響和決定。通常，我們將這些頻段從低到高分為：剛度控制區、共振控制區、質量控制區和吻合控制區。

?在剛度控制區中，剛度決定隔聲的大小，剛度越大，隔聲越好。例如四邊固支的板要比四邊自由的隔聲量高。

?在共振控制區中，入射波的頻率與板件共振頻率接近，產生強的共振輻射噪聲，從而使隔聲曲線形成一個個的波谷。在這個頻段中，阻尼也會影響幅值的高低。阻尼越大，共振的強度越小，從而改變透聲的能力。

?在質量控制區中，隔聲量由板件的面密度決定。隔聲曲線相對平滑，每倍頻增加6dB。

?在吻合控制區中，由于聲波波長和結構的彎曲波波長相當，會出現橫波共振，從而透射大量的聲能量，產生隔聲的低谷。吻合控制區的存在對隔聲造成較大影響。雖然較高的結構阻尼可以提高這個頻率段的隔聲量，但最好是讓吻合控制區避開主要的噪聲源頻率。

PART.01

基于AI/ML的結構隔聲量預測

結構隔聲量的計算可以使用海克斯康旗下聲學仿真軟件Actran，以減少在設計過程中實際實驗的時間和花費成本。但在結構設計迭代過程中，大量的設計迭代仿真對工程師來說也是比較耗時的。得益于人工智能/機器學習（AI/ML）技術，我們可以基于實驗數據或仿真數據，利用海克斯康旗下AI/ML軟件工具ODYSSEE構建機器學習模型，實現不同結構設計隔聲量的秒級預測，從而加速隔聲結構的設計工作和提高工作效率。

本文案例采用與汽車前圍板大小相似的板件作為研究對象，結構形式如下圖所示。板件的尺寸大小為1.75mx0.6mx0.002m，材料為鋁。上層100%覆蓋兩層聲學材料：中間層為泡沫材料，上表面覆蓋重層。

圖4. 板件隔聲結構示意圖。

上述研究模型中，泡沫層的厚度可變范圍為0.002m-0.01m，重層的變化范圍為0.001m-0.006m，泡沫層孔隙率可變范圍為0.9-0.98。上述3個變量為隔聲量機器學習模型的輸入參數，采用Hammersley方法在ODYSSEE中生成40個DOE樣本點，其中隨機選擇4個DOE點作為驗證數據集，剩余36個DOE點作為訓練數據集。基于40個DOE樣本點的設計參數在Actran中進行系統隔聲量計算，輸出響應為系統隔聲量-頻率曲線，以及隔聲量總值（即隔聲量-頻率曲線下積分面積）。

圖5. 機器學習DOE樣本點分布，藍色點為訓練數據，黃色點為驗證數據。

ODYSSEE中針對36組訓練數據，采用交叉驗證方法尋找系統數據響應的最優機器學習預測算法：系統隔聲量-頻率曲線的最優機器學習方法為POD+Kriging，預測精度為87.4%；系統隔聲量總值的最優機器學習方法為Kriging，預測精度為99.9%。針對4組驗證數據的預測結果和Actran計算結果對比如下圖所示。

圖6. 4組驗證數據的隔聲量-頻率曲線結果對比：實線-ODYSSEE預測；虛線-Actran計算。

表1. 4組驗證數據的隔聲量總值結果對比

基于上述隔聲量的ODYSSEE機器學習模型，用戶可以對設計空間內任意參數組合情況下的結構隔聲量曲線和總值實現秒級結果的預測，而一組新的參數組合下Actran的仿真分析需要幾分鐘時間。

PART.02

基于AI/ML的結構隔聲量優化

在實際的工程項目設計中，對結構隔聲量有性能要求，同時還要滿足一些外部的約束，例如整體結構質量限制等，因此要求工程師進行設計優化，以滿足產品要求。傳統的優化工具一般需要結合仿真軟件一起使用，在每個優化迭代步調用仿真軟件，求解新參數下的系統響應（這里為隔聲量），所以需要很長時間才能得到優化設計參數。

使用ODYSSEE軟件工具，以上述構建的高精度快速預測模型結合優化算法，可以大大提高設計優化的效率。在本案例中，通過設置結構總重量約束，對泡沫的厚度和重層的厚度兩個參數進行優化，以實現整體結構隔聲量最大化，優化參數定義如下表。

表2. 參數優化定義

經過37次優化迭代，優化程序終止，找到了符合整個結構的總重量不超過32公斤，隔聲量最大的優化設計。此時泡沫材料厚度為0.01m，重層厚度為0.0042691m。

圖7. 隔聲量優化結果

本文案例僅對材料層厚度進行了有重量約束的板件隔聲量優化，在實際問題中，也可以設置更多約束條件對更多參數進行優化。比如泡沫材料以及重層的鋪設位置、更多材料層厚度的優化、質量的優化、成本的優化、振動指標的優化、噪聲指標的優化等。

總結

本案例展示了人工智能/機器學習仿真工具ODYSSEE結合聲學仿真軟件Actran來進行結構隔聲量的快速預測和優化的工作流程。基于Actran的仿真結果數據，可以在ODYSSEE中構建秒級快速預測模型，幫助工程師快速分析不同參數組合下的結構隔聲量，并且能實現多目標和多參數的設計優化，從而提高工程師的工作效率，縮短產品開發周期，實現企業的降本增效。基于Actran的隔聲量仿真分析和優化工作可以參考往期文章：

基于自動化腳本及有限元建模的隔聲優化設計