前 言  

  關(guān)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(cè)的聲波透過物體傳遞到另外一側(cè)的問題。隔聲越好，消聲作用越強，物體另一側(cè)透過的聲音越小。隔聲的定量描述，即聲學透射系數(shù)tI的倒數(shù)，實用中常用分貝來度量，表達如下：

TL=10log10(1/tI)

 實驗測量時，則需要在專業(yè)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(fā)聲室一側(cè)入射到試件上的聲功率和受聲室一側(cè)的透射聲功率，就可以由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(qū)、共振控制區(qū)、質(zhì)量控制區(qū)和吻合控制區(qū)。

?在剛度控制區(qū)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(qū)中，入射波的頻率與板件共振頻率接近，產(chǎn)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(zhì)量控制區(qū)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(qū)中，由于聲波波長和結(jié)構(gòu)的彎曲波波長相當，會出現(xiàn)橫波共振，從而透射大量的聲能量，產(chǎn)生隔聲的低谷。吻合控制區(qū)的存在對隔聲造成較大影響。雖然較高的結(jié)構(gòu)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(qū)避開主要的噪聲源頻率。   

  

PART.01

基于AI/ML的結(jié)構(gòu)隔聲量預測 

   結(jié)構(gòu)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(shè)計過程中實際實驗的時間和花費成本。但在結(jié)構(gòu)設(shè)計迭代過程中，大量的設(shè)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(shù)，我們可以基于實驗數(shù)據(jù)或仿真數(shù)據(jù)，利用海克斯康旗下AI/ML軟件工具ODYSSEE構(gòu)建機器學習模型，實現(xiàn)不同結(jié)構(gòu)設(shè)計隔聲量的秒級預測，從而加速隔聲結(jié)構(gòu)的設(shè)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(jié)構(gòu)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(jié)構(gòu)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?yún)?shù)，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(shù)據(jù)集，剩余36個DOE點作為訓練數(shù)據(jù)集。基于40個DOE樣本點的設(shè)計參數(shù)在Actran中進行系統(tǒng)隔聲量計算，輸出響應(yīng)為系統(tǒng)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(shù)據(jù)，黃色點為驗證數(shù)據(jù)。

 ODYSSEE中針對36組訓練數(shù)據(jù)，采用交叉驗證方法尋找系統(tǒng)數(shù)據(jù)響應(yīng)的最優(yōu)機器學習預測算法：系統(tǒng)隔聲量-頻率曲線的最優(yōu)機器學習方法為POD+Kriging，預測精度為87.4%；系統(tǒng)隔聲量總值的最優(yōu)機器學習方法為Kriging，預測精度為99.9%。針對4組驗證數(shù)據(jù)的預測結(jié)果和Actran計算結(jié)果對比如下圖所示。

 

圖6. 4組驗證數(shù)據(jù)的隔聲量-頻率曲線結(jié)果對比：實線-ODYSSEE預測；虛線-Actran計算。  

編輯 跳轉(zhuǎn)

 

表1. 4組驗證數(shù)據(jù)的隔聲量總值結(jié)果對比

基于上述隔聲量的ODYSSEE機器學習模型，用戶可以對設(shè)計空間內(nèi)任意參數(shù)組合情況下的結(jié)構(gòu)隔聲量曲線和總值實現(xiàn)秒級結(jié)果的預測，而一組新的參數(shù)組合下Actran的仿真分析需要幾分鐘時間。

 

  PART.02   

   基于AI/ML的結(jié)構(gòu)隔聲量優(yōu)化  

  在實際的工程項目設(shè)計中，對結(jié)構(gòu)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(jié)構(gòu)質(zhì)量限制等，因此要求工程師進行設(shè)計優(yōu)化，以滿足產(chǎn)品要求。傳統(tǒng)的優(yōu)化工具一般需要結(jié)合仿真軟件一起使用，在每個優(yōu)化迭代步調(diào)用仿真軟件，求解新參數(shù)下的系統(tǒng)響應(yīng)（這里為隔聲量），所以需要很長時間才能得到優(yōu)化設(shè)計參數(shù)。

 使用ODYSSEE軟件工具，以上述構(gòu)建的高精度快速預測模型結(jié)合優(yōu)化算法，可以大大提高設(shè)計優(yōu)化的效率。在本案例中，通過設(shè)置結(jié)構(gòu)總重量約束，對泡沫的厚度和重層的厚度兩個參數(shù)進行優(yōu)化，以實現(xiàn)整體結(jié)構(gòu)隔聲量最大化，優(yōu)化參數(shù)定義如下表。

表2. 參數(shù)優(yōu)化定義

經(jīng)過37次優(yōu)化迭代，優(yōu)化程序終止，找到了符合整個結(jié)構(gòu)的總重量不超過32公斤，隔聲量最大的優(yōu)化設(shè)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(yōu)化結(jié)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(yōu)化，在實際問題中，也可以設(shè)置更多約束條件對更多參數(shù)進行優(yōu)化。比如泡沫材料以及重層的鋪設(shè)位置、更多材料層厚度的優(yōu)化、質(zhì)量的優(yōu)化、成本的優(yōu)化、振動指標的優(yōu)化、噪聲指標的優(yōu)化等。    

   

   總結(jié)    

本案例展示了人工智能/機器學習仿真工具ODYSSEE結(jié)合聲學仿真軟件Actran來進行結(jié)構(gòu)隔聲量的快速預測和優(yōu)化的工作流程。基于Actran的仿真結(jié)果數(shù)據(jù)，可以在ODYSSEE中構(gòu)建秒級快速預測模型，幫助工程師快速分析不同參數(shù)組合下的結(jié)構(gòu)隔聲量，并且能實現(xiàn)多目標和多參數(shù)的設(shè)計優(yōu)化，從而提高工程師的工作效率，縮短產(chǎn)品開發(fā)周期，實現(xiàn)企業(yè)的降本增效。基于Actran的隔聲量仿真分析和優(yōu)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(yōu)化設(shè)計》 

更多信息請關(guān)注庭田科技

【文章來自海克斯康工業(yè)軟件】