一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法技术

本发明专利技术公开了一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，设计双层复合结构；确定影响开孔泡沫铝吸声能力的影响因素，确定多种不同复合结构在所述影响因素以及不同频率声源下的吸声系数，得到多种不同复合结构的所述影响因素以及吸声系数对应的数据集；将数据集划分出训练样本和测试样本；使用MATLAB的newgrnn函数创建广义回归神经网络，通过所述训练样本和测试样本对广义回归神经网络进行训练和测试，得到最终的广义回归神经网络；在预测时，将待预测复合结构的影响因素输入最终的广义回归神经网络，对该复合结构的吸声系数进行预测。本发明专利技术的方法能够快速预测出具有空腔的双层复合结构的吸声系数，无需进行繁重的实验来确定。

【技术实现步骤摘要】
一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法
本方法涉及吸声降噪领域，具体涉及一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法。
技术介绍
目前，解决噪音污染问题已经是人们迫在眉睫的事情。吸声材料或结构的吸声原理主要为共振吸声原理和多孔吸声原理。单一的吸声材料已经很难满足人们对吸声降噪的要求，因此复合结构的开发与应用越来越受到人们的重视，但对于复合结构的设计，大都采用测量其吸声系数来得出性能相对优异的复合结构的参数范围，但该方法工作量繁重并且测试结果误差较大，因此亟需一种过程简便、快速且预测结果准确的频吸声系数预测方法。
技术实现思路
本专利技术的目的在于针对上述存在的不足，本专利技术提供了一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，通过本专利技术的方法能够快速预测出具有空腔的双层复合结构的吸声系数，能够采用模拟的方法更好的设计复合吸声结构，无需进行繁重的实验来确定，提高了性能优异的复合结构的设计效率。为实现本专利技术的目的，具体步骤如下：一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，包括如下过程：S1，设计复合结构，所述复合结构包括依次平行设置的第一层开孔泡沫铝、第二层开孔泡沫铝和刚性墙，第一层开孔泡沫铝和第二层开孔泡沫铝之间以及第二层开孔泡沫铝与刚性墙之间均设有背后空腔；S2，采用不同厚度的第一层开孔泡沫铝、不同厚度的第二层开孔泡沫铝以及设置不同深度的背后空腔，组合出多种不同的所述复合结构；<br>S3，确定影响开孔泡沫铝吸声能力的影响因素，确定S2得到的多种不同复合结构在所述影响因素以及不同频率声源下的吸声系数，得到多种不同复合结构的所述影响因素以及吸声系数对应的数据集；S4，将S3得到的数据集划分出训练样本和测试样本；S5，使用MATLAB的newgrnn函数创建广义回归神经网络，通过所述训练样本和测试样本对广义回归神经网络进行训练和测试，得到最终的广义回归神经网络；S6，在预测时，将待预测复合结构的影响因素输入S5得到的最终的广义回归神经网络，对该复合结构的吸声系数进行预测。优选的，所述第一层开孔泡沫铝的密度为0.856g/cm3，孔隙率为68.296％，孔径为90×10-6m，厚度为4-12mm。优选的，所述第二层开孔泡沫铝密度为0.898g/cm3，孔隙率为66.741％，孔径为78×10-6m，厚度为4-12mm。优选的，第一层开孔泡沫铝和第二层开孔泡沫铝之间背后空腔的深度为0-50mm，第二层开孔泡沫铝与刚性墙之间背后空腔的深度为0-50mm。优选的，S3中，采用驻波管法测量影响开孔泡沫铝吸声能力的影响因素，所述影响因素包括孔隙率、孔径、密度、厚度和背后空腔深度。优选的，S3中，声源的频率包括500Hz、800Hz、1000Hz、1250Hz和1600Hz。优选的，S5中，广义回归神经网络采用高斯函数作为基函数，确定高斯函数的最佳宽度系数，广义神经网络的建立选定最佳宽度系数后，使用MATLAB自带的newgrnn函数创建广义回归神经网络。优选的，采用K折交叉验证的方法确定最佳的宽度系数，确定的最佳宽度系数为0.1。本专利技术具有如下有益效果：本专利技术的基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法通过确定广义回归神经网络，采用广义回归神经网络进行吸声系数预测，在预测时，将待预测复合结构的影响因素输入广义回归神经网络，通过调节影响开孔泡沫铝吸声能力的影响因素来观察吸声系数的预测结果就可以得到某一频率下吸声效果最优的复合结构组合中影响因素的具体取值，其中，对于某一种复合结构而言，第一层开孔泡沫铝和第二层开孔泡沫铝的参数是确定的，因此只需要调节一层开孔泡沫铝和第二层开孔泡沫铝之间背后空腔的深度以及第二层开孔泡沫铝与刚性墙之间背后空腔的深度即可，采用本专利技术的方法预测复合结构开孔泡沫铝的中频吸声系数时，无需进行繁重的实验来确定，因此能够提高性能优异的复合结构的设计效率；利用本专利技术的方法，预测结果相对误差最大为6.9％，最小仅为2.1％，本专利技术的预测结果误差较小。附图说明图1为本专利技术中设计的复合结构的构造图；图2为本专利技术实施例的复合结构在500Hz下吸声系数的预测值与真实值的比较示意图；图3为本专利技术实施例中500Hz下五种测试样本吸声系数的预测值与真实值的相对误差示意图；图4为本专利技术实施例中广义回归神经网络算法流程图。图中，1-第一层开孔泡沫铝，2-第二层开孔泡沫铝，3-刚性墙，4-背后空腔。具体实施方式下面结合附图和实例对本专利技术进一步说明。本专利技术基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，包括如下步骤：步骤1：设计复合结构，复合结构采用三种厚度不同的第一层开孔泡沫铝1和3种厚度不同的第二层开孔泡沫铝2组成20种复合结构，复合结构的构造图如图1所示，第一层开孔泡沫铝1和第二层开孔泡沫铝2之间存在空腔(即背后空腔4)，第二层开孔泡沫铝2与刚性墙3的间也存在空腔(即背后空腔4)。第一层开孔泡沫铝1和第二层开孔泡沫铝2的基本参数如表1所示，第一层开孔泡沫铝1(表1中以A表示)的密度为0.856g/cm3,孔隙率为68.296％，孔径为90×10-6m，厚度分别为4mm、8mm和12mm，背后空腔深度在0mm、10mm、20mm、30mm、40mm和50mm中取值；第二层开孔泡沫铝2(表1中以B表示)的密度为0.898g/cm3,孔隙率为66.741％，孔径为78×10-6m，厚度分别为4mm、8mm和12mm，背后空腔深度在0mm、10mm、20mm、30mm、40mm和50mm中取值。20种复合结构的具体组合如表2所示，其中A表示第一层开孔泡沫铝1，B表示第二层开孔泡沫铝2，L表示背后空腔，A、B下标分别表示第一层开孔泡沫铝1和第二层开孔泡沫铝2的厚度，其取值见表1，L下标表示背后空腔深度。步骤2：影响因素的确定及采集目标数据，所述的目标数据采用驻波管法测量根据影响泡沫铝吸声能力的5种影响因素(孔隙率、孔径、密度、厚度、背后空腔深度)所设计好的20种组合在声源频率为500Hz、800Hz、1000Hz、1250Hz、1600Hz下的吸声系数；步骤3：训练样本与测试样本划分，使用MATLAB将所测得20组数据进行样本定义(20组样本)和样本划分，选取1号至15号样本(参照表2)作为训练样本，16号至20号样本作为测试样本；步骤4：光滑因子的确定，广义回归神经网络采用高斯函数作为基函数。高斯函数的宽度系数，也称光滑因子α，当光滑因子α取值趋于零时，预测效果较差，当取值过大时，预测值近似于所有样本因变量的平均值。因此首先采用K折交叉验证的方法确定最佳的光滑因子α。具体步骤如下：第一步：将初始样本分为4个子样本，一个单独的子样本被保留作为验证模型的数据，其他3个样本用来训练。第二步：交叉验证4次，每个子样本文档来自技高网...

【技术保护点】
1.一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，其特征在于，包括如下过程：/nS1，设计复合结构，所述复合结构包括依次平行设置的第一层开孔泡沫铝(1)、第二层开孔泡沫铝(2)和刚性墙(3)，第一层开孔泡沫铝(1)和第二层开孔泡沫铝(2)之间以及第二层开孔泡沫铝(2)与刚性墙(3)之间均设有背后空腔(4)；/nS2，采用不同厚度的第一层开孔泡沫铝(1)、不同厚度的第二层开孔泡沫铝(2)以及设置不同深度的背后空腔(4)，组合出多种不同的所述复合结构；/nS3，确定影响开孔泡沫铝吸声能力的影响因素，确定S2得到的多种不同复合结构在所述影响因素以及不同频率声源下的吸声系数，得到多种不同复合结构的所述影响因素以及吸声系数对应的数据集；/nS4，将S3得到的数据集划分出训练样本和测试样本；/nS5，使用MATLAB的newgrnn函数创建广义回归神经网络，通过所述训练样本和测试样本对广义回归神经网络进行训练和测试，得到最终的广义回归神经网络；/nS6，在预测时，将待预测复合结构的影响因素输入S5得到的最终的广义回归神经网络，对该复合结构的吸声系数进行预测。/n

【技术特征摘要】
1.一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，其特征在于，包括如下过程：
S1，设计复合结构，所述复合结构包括依次平行设置的第一层开孔泡沫铝(1)、第二层开孔泡沫铝(2)和刚性墙(3)，第一层开孔泡沫铝(1)和第二层开孔泡沫铝(2)之间以及第二层开孔泡沫铝(2)与刚性墙(3)之间均设有背后空腔(4)；
S2，采用不同厚度的第一层开孔泡沫铝(1)、不同厚度的第二层开孔泡沫铝(2)以及设置不同深度的背后空腔(4)，组合出多种不同的所述复合结构；
S3，确定影响开孔泡沫铝吸声能力的影响因素，确定S2得到的多种不同复合结构在所述影响因素以及不同频率声源下的吸声系数，得到多种不同复合结构的所述影响因素以及吸声系数对应的数据集；
S4，将S3得到的数据集划分出训练样本和测试样本；
S5，使用MATLAB的newgrnn函数创建广义回归神经网络，通过所述训练样本和测试样本对广义回归神经网络进行训练和测试，得到最终的广义回归神经网络；
S6，在预测时，将待预测复合结构的影响因素输入S5得到的最终的广义回归神经网络，对该复合结构的吸声系数进行预测。


2.根据权利要求1所述的一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法，其特征在于，所述第一层开孔泡沫铝(1)的密度为0.856g/cm3，孔隙率为68.296％，孔径为90×10-6m，厚度为4-12mm。


3.根据权利要求1所述的一种基于神经网络的预测复合结构开孔泡沫铝的中频吸声系数的方法...

【专利技术属性】
技术研发人员：梁李斯，郭文龙，张宇，米嘉毓，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61