设计仿真 | 基于ODYSSEE & Actran快速实现结构隔声量预测和优化

前 言 

关于隔声问题及实验测量方法

隔声问题及实验测量方法隔声问题，一般讨论的是物体一侧的声波透过物体传递到另外一侧的问题。隔声越好，消声作用越强，物体另一侧透过的声音越小。隔声的定量描述，即声学透射系数t_I的倒数，实用中常用分贝来度量，表达如下：

T_L=10log₁₀(1/t_I)

实验测量时，则需要在专业的声学实验室中进行。下图是两种专门用来测量隔声量的实验室。

图1实验室一：混响室+（半）消声室

图2实验室二：混响室+混响室

将实验待测试件安装于两个声学实验室共有的墙壁中，测量发声室一侧入射到试件上的声功率和受声室一侧的透射声功率，就可以由隔声量的计算公式推导出试件的隔声量。

板件的典型的隔声量曲线如图 3所示。

图3典型隔声曲线

隔声量一般是随频率变化的。总的来说，隔声性能随频率升高而提高。但是在各个频率段中，隔声性能又由不同因素影响和决定。通常，我们将这些频段从低到高分为：刚度控制区、共振控制区、质量控制区和吻合控制区。

✔在刚度控制区中，刚度决定隔声的大小，刚度越大，隔声越好。例如四边固支的板要比四边自由的隔声量高。

✔在共振控制区中，入射波的频率与板件共振频率接近，产生强的共振辐射噪声，从而使隔声曲线形成一个个的波谷。在这个频段中，阻尼也会影响幅值的高低。阻尼越大，共振的强度越小，从而改变透声的能力。

✔在质量控制区中，隔声量由板件的面密度决定。隔声曲线相对平滑，每倍频增加6dB。

✔在吻合控制区中，由于声波波长和结构的弯曲波波长相当，会出现横波共振，从而透射大量的声能量，产生隔声的低谷。吻合控制区的存在对隔声造成较大影响。虽然较高的结构阻尼可以提高这个频率段的隔声量，但最好是让吻合控制区避开主要的噪声源频率。

PART.01

基于AI/ML的结构隔声量预测

结构隔声量的计算可以使用海克斯康旗下声学仿真软件Actran，以减少在设计过程中实际实验的时间和花费成本。但在结构设计迭代过程中，大量的设计迭代仿真对工程师来说也是比较耗时的。得益于人工智能/机器学习（AI/ML）技术，我们可以基于实验数据或仿真数据，利用海克斯康旗下AI/ML软件工具ODYSSEE构建机器学习模型，实现不同结构设计隔声量的秒级预测，从而加速隔声结构的设计工作和提高工作效率。

本文案例采用与汽车前围板大小相似的板件作为研究对象，结构形式如下图所示。板件的尺寸大小为1.75mx0.6mx0.002m，材料为铝。上层100%覆盖两层声学材料：中间层为泡沫材料，上表面覆盖重层。

图4. 板件隔声结构示意图。

上述研究模型中，泡沫层的厚度可变范围为0.002m-0.01m，重层的变化范围为0.001m-0.006m，泡沫层孔隙率可变范围为0.9-0.98。上述3个变量为隔声量机器学习模型的输入参数，采用Hammersley方法在ODYSSEE中生成40个DOE样本点，其中随机选择4个DOE点作为验证数据集，剩余36个DOE点作为训练数据集。基于40个DOE样本点的设计参数在Actran中进行系统隔声量计算，输出响应为系统隔声量-频率曲线，以及隔声量总值（即隔声量-频率曲线下积分面积）。

图5. 机器学习DOE样本点分布，蓝色点为训练数据，黄色点为验证数据。

ODYSSEE中针对36组训练数据，采用交叉验证方法寻找系统数据响应的最优机器学习预测算法：系统隔声量-频率曲线的最优机器学习方法为POD+Kriging，预测精度为87.4%；系统隔声量总值的最优机器学习方法为Kriging，预测精度为99.9%。针对4组验证数据的预测结果和Actran计算结果对比如下图所示。

图6. 4组验证数据的隔声量-频率曲线结果对比：实线-ODYSSEE预测；虚线-Actran计算。

表1. 4组验证数据的隔声量总值结果对比

基于上述隔声量的ODYSSEE机器学习模型，用户可以对设计空间内任意参数组合情况下的结构隔声量曲线和总值实现秒级结果的预测，而一组新的参数组合下Actran的仿真分析需要几分钟时间。

PART.02

基于AI/ML的结构隔声量优化

在实际的工程项目设计中，对结构隔声量有性能要求，同时还要满足一些外部的约束，例如整体结构质量限制等，因此要求工程师进行设计优化，以满足产品要求。传统的优化工具一般需要结合仿真软件一起使用，在每个优化迭代步调用仿真软件，求解新参数下的系统响应（这里为隔声量），所以需要很长时间才能得到优化设计参数。

使用ODYSSEE软件工具，以上述构建的高精度快速预测模型结合优化算法，可以大大提高设计优化的效率。在本案例中，通过设置结构总重量约束，对泡沫的厚度和重层的厚度两个参数进行优化，以实现整体结构隔声量最大化，优化参数定义如下表。

表2. 参数优化定义

经过37次优化迭代，优化程序终止，找到了符合整个结构的总重量不超过32公斤，隔声量最大的优化设计。此时泡沫材料厚度为0.01m，重层厚度为0.0042691m。

图7. 隔声量优化结果

本文案例仅对材料层厚度进行了有重量约束的板件隔声量优化，在实际问题中，也可以设置更多约束条件对更多参数进行优化。比如泡沫材料以及重层的铺设位置、更多材料层厚度的优化、质量的优化、成本的优化、振动指标的优化、噪声指标的优化等。

总结

本案例展示了人工智能/机器学习仿真工具ODYSSEE结合声学仿真软件Actran来进行结构隔声量的快速预测和优化的工作流程。基于Actran的仿真结果数据，可以在ODYSSEE中构建秒级快速预测模型，帮助工程师快速分析不同参数组合下的结构隔声量，并且能实现多目标和多参数的设计优化，从而提高工程师的工作效率，缩短产品开发周期，实现企业的降本增效。基于Actran的隔声量仿真分析和优化工作可以参考往期文章：

基于自动化脚本及有限元建模的隔声优化设计