一种基于深度学习的车用声学材料传递损失预测方法技术

本发明专利技术涉及一种基于深度学习的车用声学材料传递损失预测方法，包括：获取车用声学材料的材料参数，并载入神经网络模型中，获取材料参数下各中心频率处的传递损失；模型训练过程包括：对各个材料参数在参数范围内进行取值，得到材料参数数据库；将材料参数数据库中的各个材料参数样本导入声学分析软件，计算各样本的传递损失，构建传递损失数据库；建立神经网络模型，以材料参数数据库为输入，传递损失数据库为输出，进行训练；构建测试集，对神经网络模型进行检验，若不满足评价指标，则更新训练数据重新进行模型训练，否则得到训练后的神经网络模型。与现有技术相比，本发明专利技术获取结果的速度大幅度提升，仿真结果计算准确，工程实用价值高。实用价值高。实用价值高。

【技术实现步骤摘要】
一种基于深度学习的车用声学材料传递损失预测方法


[0001]本专利技术涉及声学材料传递损失预测
，尤其是涉及一种基于深度学习的车用声学材料传递损失预测方法。

技术介绍

[0002]统计能量分析(statistical energy analysis，SEA)是一种用以预测复杂耦合系统中各子系统间高频能量流的常用计算方法，能够在子系统具体声振特性未知条件下通过统计方法快速估算复杂耦合系统各子系统间平均高频声振能量传递。在汽车声学材料传递损失预测中得到了广泛的应用，如公开号为CN116070482A的专利技术公开的基于弹簧质量系统的超结构前围声学性能开发方法，但采用统计能量分析的方法进行车用声学材料传递损失预测时，需要计算复杂的能量平衡方程组和进行人工操作，影响预测效率。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在采用统计能量分析的方法进行车用声学材料传递损失预测时，需要计算复杂的能量平衡方程组和进行人工操作，影响预测效率的缺陷而提供一种基于深度学习的车用声学材料传递损失预测方法。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车用声学材料传递损失预测方法，其特征在于，包括：获取车用声学材料的材料参数，并载入预先建立并训练好的神经网络模型中，获取所述材料参数下各中心频率处的传递损失；所述神经网络模型的训练过程包括以下步骤：S1：获取多个材料参数和对应的取值范围，对各个材料参数在对应的参数范围内进行独立且随机取值，得到材料参数样本，从而建立材料参数数据库；S2：将材料参数数据库中的各个材料参数样本导入声学分析软件，利用统计能量分析法计算各样本在400～10000Hz各三分之一倍频程中心频率下的传递损失，构建传递损失数据库；S3：建立神经网络模型，以所述材料参数数据库为输入，传递损失数据库为输出，对神经网络模型进行训练，直至满足预设的模型训练截止条件；S4：确定模型的评价指标，构建测试集，对训练后的神经网络模型进行检验，若不满足所述评价指标，则执行步骤S5，否则得到训练后的神经网络模型；S5：在材料参数数据库中误差较大的材料样本参数附近密集取值，并重新生成对应的材料参数样本，更新所述材料参数数据库和传递损失数据库，重新对所述神经网络模型进行训练，然后返回步骤S4。2.根据权利要求1所述的一种基于深度学习的车用声学材料传递损失预测方法，其特征在于，所述材料参数样本的获取过程具体包括：通过调用numpy.rando m.uniform()函数，将各个材料参数作为数组元素，并设置对应的参数范围，从而通过numpy.random.uniform()函数对各个数组元素进行独立且随机的赋值，得到材料参数样本。3.根据权利要求1所述的一种基于深度学习的车用声学材料传递损失预测方法，其特征在于，所述材料参数数据库为xlsx格式的excel文件。4.根据权利要求1所述的一种基于深度学习的车用声学材料传递损失预测方法，其特征在于，所述声学分析软件为VA One软件，将所述材料参数数据库导入VA One软件中，并指定分析环境和...

【专利技术属性】
技术研发人员：邵建旺，王伟光，吴宪，
申请(专利权)人：同济大学，
类型：发明
国别省市：