Open Access
Issue
JNWPU
Volume 37, Number 1, February 2019
Page(s) 57 - 62
DOI https://doi.org/10.1051/jnwpu/20193710057
Published online 03 April 2019

© 2019 Journal of Northwestern Polytechnical University

Licence Creative Commons
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

随着经济水平的快速提高, 人们愈来愈追求更加舒适的生活、工作环境。噪声污染与空气污染、水污染并列为当代世界三大环境公害[1-2]。噪声控制已引起政府和社会的关注。利用吸声材料降噪, 是一种有效的被动式吸声降噪方法, 得到了广泛的研究和应用[3]。依据材质的不同如泡沫铝、多孔玻璃及多孔金属纤维等, 导热系数低、强度高、密度小、吸水率低、防火、耐腐蚀、抗冻性好、易于加工、无毒环保、寿命长、装饰性强等特点[4]。多孔玻璃具有宽频带和高吸声性能[5]。另外, 多孔材料吸声性能的理论计算一直是研究的重点, 研究者们一直尝试通过计算模型预测材料吸声系数, 这些吸声模型大致可分为3类。第一类是经验模型其代表是Bazley-Delany[6]模型, 该模型不涉及材料参数, 模型计算精度高, 但对不同样品参数将有一个模型, 极大限制了模型的应用; 第二类模型是直观模型, 其代表是Biot-Allard[7]模型, 该模型涉及声学参数较多, 较为复杂; 第三类模型是微结构模型, 代表是Tarnow[8]模型, 该模型主要针对纤维微结构的多孔材料, 计算前需近似微观多孔材料结构参数, 模型复杂。从大多数多孔材料的吸声计算模型来看, 由于多孔材料结构复杂, 影响因素较多, 如材料孔结构和空气黏滞阻力等难以测量的因素, 建立的模型复杂, 很难工程应用。

广义回归神经网络(GRNN), 它是径向基神经网络(RBF)的一个分支, 具有很强的非线性映射能力、柔性网络结构和高度的容错性, 适用于解决非线性问题, 即使样本稀少, 网络的输出结果也能收敛于最优回归表面[9-11]。GRNN在结构分析、教育产业、能源、等多个领域得到了广泛的应用。2014年Liu等人利用GRNN方法建立了3层纤维结构吸声材料的吸声计算模型[12]。模型建立简单, 预测3层纤维结构吸声材料吸声系数准确, 建立模型所需实验数据量大, 即前期实验工作量较大。如果能够通过少量的实验值建立预测模型, 就可以实现快速、方便、有效的建立模型, 那么, GRNN方法就可实现吸声性能预测的工程应用。

从大量的研究结果可以看出, 影响多孔材料吸声性能的主要因素是孔隙率和厚度[13-14], 因此建立以孔隙率和厚度为主要因素的计算模型非常重要。本文以开孔型多孔玻璃的结构参数孔隙率和厚度作为特征参数, 在少量实验数据的基础上, 采用GRNN方法建立吸声系数计算模型。

1 实验

1.1 样品制备

采用盐模烧结法制备开孔型多孔玻璃样品, 实验参数及方案如表 1所示。

表1

实验样品结构参数

1.2 吸声系数测量

采用驻波管法(传递函数法), 按照国家标准GB/T18696.2-2002测量材料吸声系数。

实验仪器为丹麦B&K公司的4206型双传声器阻抗管。该阻抗管按1/3倍频程计算, 在50 Hz至4 kHz测量误差小于4%, 5 kHz至6.3 kHz测量误差小于10%;本文测量范围取500 Hz至6.3 kHz。

多次测量发现测量误差小于系统误差, 得到多孔玻璃1/3倍频程中心频率处吸声系数结果如表 2所示。

表2

1/3倍频程中心频率吸声系数

2 GRNN建模

2.1 GRNN神经网络

在结构上GRNN和RBF网络比较相似。GRNN网络分别由输入层、模式层、求和层和输出层四层构成, 如图 1所示。其中网络输入为X=[x1, x2…, xn]T, 其输出为Y=[y1, y2, …yk]T

输入层输入神经元的数目等于学习样本中输入向量的维数, 各神经元是简单的分布单元, 直接将输入变量传递给模式层。

模式层神经元数目等于学习样本的数目n, 各神经元对应不同的样本, 模式层神经元传递用(X, y)代替f(X, y), 并交换积分与加和的顺序:

由于, 对2个积分进行计算后可得网络的输出

当光滑因子σ非常大时, 近似于所有样本因变量的均值, 相反当光滑因子σ趋向于0时, 和训练样本非常接近。当σ取值适中, 求预测值时, 所有训练样本的因变量都被考虑了进去, 与预测点距离近的样本点对应的因变量被加了更大的权[15]。

如果训练数据集已知, 那么唯一需要确定的参数就是光滑因子σ。一般来说选择光滑因子值的方法有2种, 一种是根据经验上获得光滑因子σ; 另一种方法是智能选择算法, 例如群体智能方法, 但是有限的训练样本下使用这种方法计算起来会非常慢。本文通过设定σ初始值并对其取一定的步长, 反复带入神经网络训练过程获得合适的光滑因子值。

thumbnail 图1

GRNN神经网络结构图

2.2 GRNN模型设计

建立一个有效的GRNN模型用来预测1/3倍频程中心频率的吸声系数与平均吸声系数。实验中样品的厚度、孔隙率作为输入, 实验测量1/3倍频程中心频率500 Hz, 630 Hz, 800 Hz, 1 000 Hz, 1 250 Hz, 1 600 Hz, 2 000 Hz, 2 500 Hz, 4 000 Hz, 5 000 Hz, 6 300 Hz处的吸声系数以及上述中心频率的平均吸声系数α作为输出

在神经网络训练之前, 从16组实验数据中随机抽取4组作为模型检验样本, 剩余的12组实验数据作为训练样本。通过交叉选择方法获得GRNN模型的光滑因子。训练流程如图 2所示。

交叉选择方法中, 首先根据训练样本集给出一个随机的光滑因子, 训练完成之后, 通过检验样本来测试建立的GRNN模型。如果GRNN模型的预测性能符合要求, 那么这个模型就是所求的GRNN模型。

设立初始光滑因子σ0为一个很小的值0.1。如果这个初始的光滑因子σ0通过交叉选择不能够建立所需要的GRNN模型, 一个新的光滑因子σi就会将其代替, 其规则如下

式中, η为学习率, 这里设置为0.01。

光滑因子选择时, 交叉选择样本集的均方误差小于0.01时, 交叉选择停止。此外, 为了避免过度训练设置最大迭代次数imax为20。选择的训练样本集和检验样本集都是随机的, 那就意味着交叉选择的训练样本集和测试检验样本集和前一次不同。但是每一个所求的交叉训练和与之相关的最优光滑因子都是在同样的约束条件下选择出来的。也就是说, 建立的GRNN模型完全适用于预测任务。本文训练结果最佳σ为0.1。

thumbnail 图2

GRNN建模流程图

3 结果与讨论

采用随机的12组训练样本数据建立的GRNN计算模型, 用剩余的4组数据预测它们从500 Hz到6 300 Hz频带内, 1/3倍频程中心频率的吸声系数。预测结果如图 3图 6所示。

图 3图 6可以看出, GRNN模型预测值非常接近实际测量值, 且GRNN模型预测曲线和实验测量曲线趋势一致。

thumbnail 图3

4号样品实验预测对比曲线

thumbnail 图4

16号样品实验预测对比曲线

thumbnail 图5

3号样品实验预测对比曲线

thumbnail 图6

6号样品实验预测对比曲线

4 模型预测误差分析

测试样本集1/3倍频程中心频率吸声系数平均值的预测结果和测量结果的误差百分比如图 7所示。

测试样本1/3倍频程中心频率吸声系数平均值的预测结果和测量结果表明平均值预测最大误差为0.050, 误差百分比为11.9%;平均误差为0.003, 从1/3倍频程中心频率吸声系数平均值的预测结果看, 上述建立的GRNN模型预测精度高, 吸声系数曲线形态相似。

表 4所示为所有测试样本在1/3倍频程中心频率处误差绝对值最大值、误差绝对值百分比及1/3倍频程中心频率处平均误差。

表 4可以看出, 各频率点预测吸声系数在实际吸声系数周围的波动情况, 结果表明在800 Hz时预测吸声系数偏离实际值最大, 最大偏离0.16;在500 Hz时误差绝对值百分比最大为38.60%。总体来看, GRNN模型在1/3倍频程中心频率处的预测误差小, 所建立的GRNN模型精度高, 预测能力强。

thumbnail 图7

测试样本平均吸声系数与预测结果误差百分比

表4

1/3倍频程中心频率处吸声系数误差表

5 结论

1) 在开孔型多孔玻璃16组实验数据基础上, 以12组随机数据作为训练样本, 4组作为检验样本, 建立以多孔玻璃厚度和孔隙率的GRNN模型, 得到训练的最佳光滑因子σ=0.1, 最大迭代次数为20;

2) 获得的GRNN模型经过对检验样本的计算验证, 预测值与实验值的平均误差为0.003, 建立的模型精度高, 预测吸声系数曲线形貌相似度高;

3) 采用GRNN方法, 建立多孔玻璃吸声系数模型, 具有方法简单、训练样本少、快速、准确等优点。

References

  1. Ding Yuxiang, Xu Ying, Xu Ning. Experimental Study on Sound Absorption Performance of Porous Copper-Fibrous Material[J]. Journal of Northwestern Polytechnical University, 2012, 30(4): 553-556 (in Chinese) [Article][Article] [Google Scholar]
  2. Ma Dayou. Modern acoustics theory[M]. BeiJing, Science Press, 2004: 230-240 (in Chinese) [Google Scholar]
  3. Xu Ying, Li Shan, Wang Changli, et al. Exploring Sound Absorption Performance of Stainless Steel Fiber Porous Materials[J]. Journal of Northwestern Polytechnical University, 2015, 33(3): 401-404 (in Chinese) [Article][Article] [Google Scholar]
  4. Sun Lili, Qi Yuanchun. Progress and Study of Foam Glass[J]. Chemical Engineering & Equipment, 2012(1): 111-113 (in Chinese) [Article] [Google Scholar]
  5. Zou Weiren, Xu Ying, Fang Qingchuan, et al. Preparation and Absorbing Properties of a Novel Porous Glass[J]. Journal of Northwestern Polytechnical University, 2014, 32(3): 368-372 (in Chinese) [Article][Article] [Google Scholar]
  6. Delany M E, Bazley E N. Acoustical Properties of Fibrous Absorbent Materials[J]. Applied Acoustics, 1970, 3(7): 105-116 [Article] [CrossRef] [Google Scholar]
  7. Allard J F, Atala N. Propagation of Sound in Porous Media Modeling Sound Absorbing Materials[M]. New York, Elsevier Applied Science, 1993: 20-85 [Google Scholar]
  8. Tarnow V. Airflow Resistivity of Models of Fibrous Acoustic Materials[J]. Journal of the Acoustical Society of America, 1996, 100(100): 3706-3713 [Article] [NASA ADS] [CrossRef] [Google Scholar]
  9. Guo Bin, Meng Lingqi, Du Yong, et al. Thickness Prediction of Medium Plate Mill Based on GRNN Neural Network[J]. Journal of Central South University, 2011, 42(4): 960-965 (in Chinese) [Article] [Google Scholar]
  10. Gao Linqin. The forecasting Model of Vehicle Ownership Based on GRNN[J]. Journal of Shandong Unirersity of Technology, 2011, 25(4): 85-87 (in Chinese) [Article] [Google Scholar]
  11. Feng Zhipeng, Song Xigeng, Xue Dongxin, et al. General Regression Neural Network Based Prediction of Time Series[J]. Journal of Vibration Measurement & Diagnosis, 2003(2): 29-33 (in Chinese) [Article] [Google Scholar]
  12. Liu J, Bao W, Shi L, et al. General Regression Neural Network for Prediction of Sound Absorption Coefficients of Sandwich Structure Nonwoven Absorbers[J]. Applied Acoustics, 2014, 76(1): 128-137 [Article] [CrossRef] [Google Scholar]
  13. Liu Penghui, Yang Yiqian, Yao Jingchuan. Study on Absorption Property of Porous Sound-Absorbing Materials[J]. Noise and Vibration Control, 2011, 31(2): 123-126 (in Chinese) [Article] [Google Scholar]
  14. Liu Xinjin, Liu Jianli, Xu Bojun, et al. Acoustic Analysis for a Sound-Absorbing Structure with Multi-Layered Porous Material[J]. Journal of Vibration and Shock, 2012, 31(5): 106-110 (in Chinese) [Article] [Google Scholar]
  15. Shi Feng, Wang Xiaochuan. Analysis of 30 Cases of MATLAB Neural Network[M]. Beijing, Beihang University Press, 2010: 73-80 [Google Scholar]

All Tables

表1

实验样品结构参数

表2

1/3倍频程中心频率吸声系数

表4

1/3倍频程中心频率处吸声系数误差表

All Figures

thumbnail 图1

GRNN神经网络结构图

In the text
thumbnail 图2

GRNN建模流程图

In the text
thumbnail 图3

4号样品实验预测对比曲线

In the text
thumbnail 图4

16号样品实验预测对比曲线

In the text
thumbnail 图5

3号样品实验预测对比曲线

In the text
thumbnail 图6

6号样品实验预测对比曲线

In the text
thumbnail 图7

测试样本平均吸声系数与预测结果误差百分比

In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.