Page 174 - 《应用声学》2023年第3期

612 2023 年 5 月

中自动发现和学习有用的信息，具备自主学习、联
0 引言
想储存、高速寻优等优点。
在日常的工作和生活中，噪声已经成为了一种 在之前的工作中，作者团队基于 DL 模型实现
随处可见的污染，时刻困扰着人们。噪声污染不仅 了二阶亥姆霍兹共鸣器(Two-order Helmholtz Res-
会危害人们的生理健康，还会对人们的心理造成伤 onator, THR) 单元的精准设计，并通过数值仿真
害。因此，随着人们对生活品质的追求越来越高， 和实验的方式验证了其对于线谱噪声降噪的有效
噪声问题逐渐成了人类社会不得不面对的一个重 性 [19] ，但该模型无法直接应用到低频宽带噪声问题
要问题。近年来，声人工结构逐渐成为吸隔声领域 的解决上。因此，本文首先针对低频宽频隔声装置
的研究热点。与传统材料相比，声人工结构的最大 设计中普遍存在的耦合效应进行了仿真和分析，研
优势在于其可以利用亚波长尺寸的结构实现材料 究了影响耦合效应强弱的变量和因素；然后在上述
物理特性的调节以及对声波的调控，为解决低频 工作的基础上提出了一种基于 DL 的低频宽带隔声
吸隔声问题提供了新的技术思路 [1−3] 。2012 年，梅 装置的设计方法，并基于该方法设计了一组包含 9
军等 [4] 通过在弹性薄膜上附着特定款式的硬质金 个 THR 单元的组合结构，实现了 158∼522 Hz 范围
属片构造暗声学超材料，在共振频率附近能很好 内的宽带隔声。
地吸收声波；2019 年，Donda 等 [5] 通过构造迷宫结
构的超表面实现了 50 Hz 附近的极低频吸收；2021 1 THR的理论模型
年，Dong 等 [6] 提出一种通过耗散和干涉杂化的超
传统的亥姆霍兹共鸣器由一个短管和一个腔
宽带通风屏障，能够在 650∼2000 Hz 范围内有效阻
体串联而成，因此也被称为一阶亥姆霍兹共鸣
挡 90% 以上的入射声能量；Liu 等 [7] 将各向异性的
器。该结构往往只具有一个共振频率，共振峰的
概念引入到三维折叠空间的系统中，提出了一种打
宽度也较窄，在某些场景下应用会受到一定的限
开低频、宽频声子带隙的方法，并设计了既能隔声
制。因此，人们开始对高阶亥姆霍兹共鸣器展开
降噪，又能通风透气的三维声学超构笼子。
研究 [20−21] ，并将其作为管道的旁支结构用于管
然而，尽管声人工结构在低频吸隔声领域展现
路的隔声降噪。图 1(a) 为 THR 作为管道旁支结构
了其优越的性能，但针对实际应用中的低频宽带噪
的结构示意图，灰色虚线框中的部分为一个 THR
声，往往需要对多个声人工结构单元进行组合以实
单元。THR 包含两个短管和两个腔体，可以视作
现宽带隔声降噪的效果。而这样的组合结构通常
较为复杂，传统的人工设计方法高度依赖于设计者 由两个一阶亥姆霍兹共鸣器串联而成。其中，a 1
的专业知识和设计经验，设计效率较低。因此，研 和 l 1 分别为一阶短管的半径和长度；r 1 和 h 1 分别
为一阶腔体的半径和长度；a 2 和 l 2 分别为二阶短
究者们开始期望寻求以目标声学响应为导向的自
管的半径和长度；r 2 和 h 2 分别为二阶腔体的半径
动化设计方法。早期的研究中，遗传算法 (Genetic
algorithm, GA)、粒子群算法等优化算法被普遍应 和长度。因此，THR 的几何结构可以由几何参数
用于解决声人工结构的逆设计问题 [8] 。但是，上述 gp = [a 1 , l 1 , r 1 , h 1 , a 2 , l 2 , r 2 , h 2 ]来进行描述。
优化过程仍然需要大量的仿真模拟和参数迭代，计 在低频范围内，集总参数模型常被用于对THR
算成本依然很高。近年来，以人工神经网络为代表 进行建模和分析。图1(b)为THR的等效电路图，这
的深度学习 (Deep learning, DL) 在包括计算机视 里将短管等效为声阻 R 和声质量 M，将腔体等效为
觉 [9] 、自然语言处理 [10] 、语声识别 [11] 、知识图谱 [12] 声容 C。因此，在集总参数模型下 THR 可以由电学
等计算机科学及工程领域取得了突破性的进展，也 参数 eep = [R 1 , M 1 , C 1 , R 2 , M 2 , C 2 ] 进行描述，几
以惊人的速度在材料科学 [13] 、化学 [14] 、凝聚态物 何参数 gp 和电学参数 eep 之间的转换关系如表 1
理 [15] 等其他学科领域展示了其独特的优势。此外， 所示。其中，ρ 0 和c 0 分别为空气的密度和声速；η 为
( )
8a i a i
机器学习方法已经成为光学结构设计和电磁学结 空气的黏滞系数；δ i = 2 − β i 为第i阶短管
3π r i
构设计的一个全新手段 [16−18] 。与传统方法相比， 的末端修正，修正因子 β 1 = 0.75，β 2 = 1.05。利用
机器学习可以通过数据驱动的方式从大量的数据 集总参数模型可以求得该结构的声阻抗Z THR 为