一种基于数据的双麦克风方法,用于在现场测量多孔材料的声音吸收

科学领域:

• 听力学
• 材料科学
• 数据科学

背景情况:

• 对于建筑声学和材料设计而言,精确估计声音吸收率至关重要.
• 测量声音吸收系数的传统方法通常需要特定的实验室条件或样本几何形状.
• 在现场预测安装材料的声学性能仍然是一个挑战.

研究的目的:

• 使用神经网络开发数据驱动的方法来估计无限多孔板的声音吸收系数.
• 通过数值模拟和实验测量验证神经网络的预测准确性.
• 允许对多孔材料进行可靠的现场声音吸收系数估计.

主要方法:

• 使用一维卷积神经网络 (1D-CNN) 来预测声音吸收系数.
• 该网络使用了从有限的多孔样本上的两个麦克风测量得出的复杂值转移函数.
• 基于Delany-Bazley-Miki模型的边界元素模型 (BEM) 的数值数据用于培训和验证.

主要成果:

• 神经网络对各种数值样本的声音吸收系数进行了准确的预测.
• 使用纤维材料样本进行实验验证,即使样本大小和源高度不同,也显示出可靠的性能.
• 预测的正常发作声音吸收系数与理论值和阻抗管测量密切匹配.

结论:

• 拟议的数据驱动方法可靠地预测孔隙材料的现场声音吸收系数,就好像样本是无限的.
• 双麦克风方法与神经网络相结合,为安装后的声学材料评估提供了一个有前途的工具.
• 这种方法可方便对声学材料性能进行现实的运行状态评估.