高速列车转向架区域气动噪声源的特征识别

王毅刚; 朱朗贤; 王玉鹏; 张昊; 焦燕

doi:10.3969/j.issn.0258-2724.20210636

高速列车转向架区域气动噪声源的特征识别

doi: 10.3969/j.issn.0258-2724.20210636

王毅刚^{1, 2,},
朱朗贤^{1, 2},
王玉鹏^{1, 2},
张昊^{1, 2},
焦燕^{1, 2}

1.
同济大学上海地面交通工具风洞中心，上海 201804
2.
同济大学上海市地面交通工具空气动力与热环境模拟重点实验室，上海 201804

基金项目: 高速铁路基础研究联合基金（U1834201）

详细信息

作者简介:
王毅刚（1964—），男，教授，研究方向为气动噪声、噪声与振动控制，E-mail：yigang.wang@sawtc.com

中图分类号: U270.16
计量
- 文章访问数: 565
- HTML全文浏览量: 261
- PDF下载量: 85
- 被引次数: 0
出版历程
- 收稿日期: 2021-08-18
- 修回日期: 2022-02-17
- 网络出版日期: 2022-11-19
- 刊出日期: 2022-03-17

Characteristic Identification of Aerodynamic Noise Sources in High-Speed Train Bogie Area

WANG Yigang^{1, 2
,},
ZHU Langxian^{1, 2},
WANG Yupeng^{1, 2},
ZHANG Hao^{1, 2},
JIAO Yan^{1, 2}

1.
Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, China
2.
Shanghai Key Laboratory of Vehicle Aerodynamics and Vehicle Thermal Management Systems, Tongji University, Shanghai 201804, China

摘要

摘要:
为了创建高速列车气动噪声源识别方法，以气动声学基本波动方程为基础，将高速列车气动声源等效为无数微球形声源组成，利用声辐射和流场物理量之间的关系，并结合高速列车气动数值仿真技术，建立了高速列车偶极子声源和四极子声源的识别方法，从全新的角度对某高速列车头车气动噪声源进行识别；基于涡声方程声源项特征，进一步揭示了偶极子声源和流场流动的关系. 研究结果明确了高速列车主要偶极子和四极子声源的强弱和分布特征，表明了气流的直接撞击和分离现象是产生声源的主要原因，头车及转向架区域气动噪声源以偶极子声源为主；偶极子声源强度较大位置出现在边沿较为尖锐的地方，在绝大多数情况下流体经过时涡量急剧增加，成为其形成强声源的主要原因.
- 高速列车 /
- 偶极子声源 /
- 四极子声源 /
- 数值仿真 /
- 涡声方程 /
- 风洞实验
Abstract:
In order to create an identification method of aerodynamic noise source of high-speed trains, based on the wave equation of aeroacoustics, the high-speed train aerodynamic sound source was equivalent to countless micro-spherical sound sources. Using the relationship between sound radiation and physical quantities of the flow field, combined with the high-speed train aerodynamic numerical simulation technology, identification methods of dipole sound source and quadrupole sound source of high-speed train were established. The aerodynamic noise sources of a high-speed train head coach were identified from a new perspective by the methods. Based on the characteristics of the sound source term of the vortex sound equation, the relationship between the dipole sound source and the flow field was revealed. The research results clarify the strength and distribution characteristics of the main dipole and quadrupole sound sources of high-speed train, and indicate that the direct impact and separation of the airflow are the main reasons for the sound sources. The aerodynamic noise sources in the head coach and bogie area are mainly dipole sound sources. The strong dipole sound sources appear at the sharp edges of the parts. In most cases, the vorticity increases sharply when the fluid passes by those sharp edges, which becomes the main reason for the formation of a strong sound source.
- high-speed train /
- dipole sound source /
- quadrupole sound source /
- numerical simulation /
- vortex sound equation /
- wind tunnel test

HTML全文

随着我国西部大开发的不断开展，高海拔隧道建设越来越多，规划建设的某高原铁路沿线海拔多高于3 km，桥隧比在80%以上，拥有数座长度超过20 km的铁路隧道. 为克服高海拔隧道施工低压低氧的困难，保障施工人员工作效率及生理健康，供氧是最直接的改善措施之一. 众多学者对高海拔供氧进行了相关研究，郭春等^[1-2]研究了高海拔供氧标准，得到了不同劳动强度和不同海拔高度下人体最低需氧量；孙志涛^[3]对高海拔施工缺氧进行了分级，得到了高海拔隧道施工氧含量的控制标准；王明年等^[4-5]对高海拔施工供氧技术进行了总结，得到高海拔供氧技术，包含个人携氧供氧、弥散式供氧、综合供氧、氧吧车供氧和室内鼻息式供氧，在不同隧道施工工序下应组合供氧方法和供氧系统，以适应不同劳动强度下施工人员的供氧需求和心理需求；谢文强^[6]对高海拔隧道施工供氧标准进行了研究，得到了不同海拔高度人体所需最小耗氧量和通气量；严涛等^[7]对高海拔供氧参数进行研究，建议海拔高度在3 000 m以上施工进行供氧. 目前高海拔隧道施工供氧方面的研究，主要集中在供氧标准及供氧方式两部分，研究手段基本以理论分析与公式推导为主，缺少现场的实际测试.

在数据拟合方面，BP （back propagation）神经网络目前在多维变量拟合应用中较多，由于BP神经网络自身存在收敛慢、波动大的缺陷^[8-10]，大量学者基于BP神经网络做了较多优化，并进行了应用. Wang 等^[11]通过MEC-BP神经网络对箱梁施工扰度进行了拟合预测，得到MEC-BP神经网络拟合预测结果优于BP神经网络结构；李步遥等^[12]基于MEC-BP神经网络对基坑水平位移进行了反演分析，得到MEC-BP神经网络收敛速度快于GA-BP神经网络^[8]，且结果优于GA-BP （genetic algorithms back propagation）神经网络和BP神经网络；王春晓等^[13]基于MEC-BP神经网络对群桩轴力进行预测，得到MEC-BP神经网络预测精度及准确度明显高于BP神经网络.

本文通过高海拔隧道供氧实验，对高海拔隧道施工人员进行现场测试，并运用MEC-BP神经网络对现场测试数据进行拟合，研究高海拔人员劳动功率和氧浓度对劳动强度的影响规律，其中劳动强度通过平均能量代谢率表示.

1. MEC-BP神经网络模型简介

1.1 BP神经网络

BP神经网络算法^[11]是一种基于输出误差逆向传播的多层前馈神经网络算法，对于三层前馈神经网络，其基本结构由输入层、隐含层、输出层构成，根据神经网络层建立的输入输出函数Q以及误差函数E 分别为

$Q = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}{y_i} - \theta _k} \right) = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}\varphi \left( \sum\limits_{i = 1}^n {{w_{ik}}{x_i}} - \theta _j \right)} - \theta _k \right),$

(1)

$E = \frac{1}{{2S}}\sum\limits_{t = 1}^S {{{({T_t} - {O_t})}^2}},$

(2)

式中： $\psi ({\text{•}})$ 和 $\varphi ({\text{•}})$ 分别为输出层和隐含层的传递函数； $w_{jk}$ 、 $w _{ik}$ 分别为第k个输出层下的第j个隐含层和第i个输入层的连接权重； $\theta _j$ 、 $\theta _k$ 分别为第j个隐含层和第k个输出层的阈值；S为样本数量； $O$ _t为第t个样本预测输出值； $x_i$ 和 $y_i$ 分别为隐含层输入和输出值； $T_t$ 为实验测试值.

由于BP神经网络算法存在收敛慢和局部最小值的缺陷，接下来引入思维进化算法（MEC）对BP神经网络进行优化.

1.2 MEC算法

MEC算法^[11]是一种基于遗传算法改进的优化算法，运用MEC算法对BP神经网络的权值和阈值进行最优搜索，能提高BP神经网络的收敛速度和精度. 其基本步骤如下：

步骤1　种群初始化. 先将总体随机分成a个个体(m₁，m_2，…，m_a)，通过式（3）对各个体进行打分，并根据分数将个体分为w个优等子种群（每个优等种群包含b个个体）和r个临时子种群（每个临时种群包含h个个体）两大类，这两个种群分别用M_supi和M_temi表达，如式（4）所示.

$S = \frac{1}{{1 + E}} ,$

(3)

$\left\{ \begin{gathered} {M_{\sup i}} = \{ {m_1},{m_2}, \cdots, {m_b}\},\quad i = 1,2, \cdots, w , \\ {M_{{\rm{tem}}i}} = \{ {m_1},{m_2}, \cdots, {m_h}\} ,\quad i = 1,2, \cdots, r . \end{gathered} \right.$

(4)

步骤2　种群内竞争. 选出在每个子种群中得分最高的个体，按照正态分布将得分重新排序并再次进行得分计算，当最高得分者保持不变时，该最高得分者所在子种群即视为成熟，最高得分即代表该子种群得分.

步骤3　种群间竞争. 如果临时子种群（S_temi）得分高于成熟的优等子种群（S_supi），那么成熟的优等种群将会被该临时种群替代. 相反，如果临时种群得分较低，那么该临时种群将会解散，再重新生成新的临时种群，步骤2将产生新的临时种群.

1.3 MEC-BP神经网络拟合预测模型

MEC-BP神经网络拟合预测模型框架如图1所示. 图中：i_max、E_max分别为最大迭代次数和最大误差.

图 1 MEC-BP神经网络框架

Figure 1. MEC-BP neural network framework

下载: 全尺寸图片幻灯片

其基本流程为根据所选数据结构确定BP神经网络结构，通过MEC方法优化获得BP神经网络权值和阈值，进而得到优化的BP神经网络，通过优化的BP神经网络对给予的测试数据进行验证和预测.

2. 高海拔隧道供氧实验

高海拔供氧实验在西藏拉萨达孜区的圭嘎拉隧道进行，实验地点海拔高度约为4 200 m，实验测试对象为现场6名隧道技术施工人员，年龄在20岁～30岁，现场测试及仪器如图2所示.

图 2 现场测试及实验仪器

Figure 2. Field test and experimental instrument diagram

下载: 全尺寸图片幻灯片

实验通过调节供氧端制氧含量来设置供氧浓度，根据相关资料研究的氧浓度安全上限和实验的安全性^{[6, 14]}，供氧浓度设置为20.9%、25.0%和29.0%，通过调节骑行台设置50、75、100 W的骑行功率. 实验中，每位测试人员需在不同的氧浓度和骑行功率下骑行10 min，最后记录肺通量和相关生理参数. 根据相关肺通量和平均能量代谢率关系式^[15-16]，将标准化后的肺通量数值按照式（4）计算平均能量代谢率，现场测试及计算数据如表1所示.

表 1 现场测试及计算数据

Table 1. Field test and calculation data

测试人员编号	氧浓度/%	功率/W	肺通量/(L·min⁻¹)	A/m²	测试环境温度/K	标准肺通气量/ (L·min⁻¹)	平均能量代谢率/ (kJ·(min·m²)⁻¹)
1 号	20.9	50	10.52	1.86	298.15	5.78	0.57
	25.0	50	7.88	1.86	286.15	4.51	0.50
	29.0	50	7.29	1.86	284.15	4.20	0.48
	20.9	75	20.03	1.86	296.15	11.08	0.96
	25.0	75	17.07	1.86	288.15	9.71	0.69
	29.0	75	17.02	1.86	290.15	9.61	0.67
	20.9	100	32.75	1.86	298.15	18.00	2.21
	25.0	100	27.88	1.86	292.15	15.64	1.80
	29.0	100	27.94	1.86	292.15	15.67	1.80
2 号	20.9	50	9.75	1.80	299.15	5.34	0.56
	25.0	50	7.52	1.80	292.15	4.22	0.49
	29.0	50	6.73	1.80	284.15	3.88	0.47
	20.9	75	20.45	1.80	298.15	11.24	1.06
	25.0	75	18.12	1.80	298.15	9.96	0.81
	29.0	75	16.41	1.80	284.15	9.46	0.71
	20.9	100	27.54	1.80	298.15	15.13	1.80
	25.0	100	23.89	1.80	290.15	13.49	1.50
	29.0	100	22.87	1.80	289.15	12.96	1.39
3 号	20.9	50	8.64	1.72	298.15	4.75	0.53
	25.0	50	7.39	1.72	291.15	4.16	0.50
	29.0	50	6.91	1.72	283.15	4.00	0.49
	20.9	75	23.56	1.72	297.15	12.99	1.52
	25.0	75	20.45	1.72	298.15	11.24	1.17
	29.0	75	19.31	1.72	285.15	11.10	1.14
	20.9	100	29.44	1.72	298.15	16.18	2.14
	25.0	100	26.56	1.72	289.15	15.05	1.92
	29.0	100	25.44	1.72	285.15	14.62	1.84
4 号	20.9	50	10.74	1.85	298.15	5.90	0.59
	25.0	50	7.86	1.85	291.15	4.42	0.49
	29.0	50	6.66	1.85	282.15	3.87	0.46
	20.9	75	18.64	1.85	295.15	10.35	0.83
	25.0	75	16.24	1.85	292.15	9.11	0.59
	29.0	75	13.52	1.85	284.15	7.80	0.53
	20.9	100	25.79	1.85	298.15	14.17	1.55
	25.0	100	22.17	1.85	300.15	12.10	1.17
	29.0	100	21.25	1.85	283.15	12.30	1.20
5 号	20.9	50	10.22	1.99	298.15	5.62	0.54
	25.0	50	8.54	1.99	292.15	4.79	0.49
	29.0	50	7.47	1.99	282.15	4.34	0.47
	20.9	75	19.39	1.99	298.15	10.66	0.74
	25.0	75	18.72	1.99	292.15	10.50	0.71
	29.0	75	18.35	1.99	283.15	10.62	0.73
	20.9	100	28.27	1.99	298.15	15.54	1.60
	25.0	100	25.88	1.99	299.15	14.17	1.37
	29.0	100	24.33	1.99	285.15	13.98	1.33
6 号	20.9	50	9.99	1.85	298.15	5.49	0.56
	25.0	50	7.35	1.85	291.15	4.14	0.48
	29.0	50	6.19	1.85	282.15	3.59	0.45
	20.9	75	19.31	1.85	298.15	10.61	0.88
	25.0	75	19.17	1.85	294.15	10.68	0.89
	29.0	75	18.84	1.85	292.15	10.57	0.87
	20.9	100	27.5	1.85	300.15	15.01	1.70
	25.0	100	26.09	1.85	299.15	14.29	1.57
	29.0	100	25.13	1.85	289.15	14.24	1.56

下载: 导出CSV

| 显示表格

$V_{\rm{E}} = \frac{{V_1P_1T}}{{PT_1}} ,$

(5)

$\left\{ \begin{gathered} \lg \; M = 0.094 \; 5\frac{V_{\rm{E}}}{A} - 0.533\;94, \quad V_{\rm{E}} \in (3.0,7.3), \\ M = \dfrac{{{{10}^{0.094\;5\tfrac{{V_{\rm{E}}}}{A} - 0.533\;94}} + 13.26 - {{10}^{1.164\;8 - 0.012\;58\tfrac{{V_{\rm{E}}}}{A}}}}}{2}, \\ \lg (13.26 - M) = 1.164\;8 - 0.012\;58\frac{{V_{\rm{E}}}}{A},\quad V_{\rm{E}} \geqslant 8.0, \\ \quad V_{\rm{E}} \in [7.3,8.0) , \\ \end{gathered} \right.$

(6)

式中： $V_{\rm{E}}$ 为标准状态肺通气量（L/min）； $V_{1}$ 为相应海拔高度下肺通气量（L/min）；P为标准大气压（101.325 kPa）；P₁为相应海拔高度下大气压（实测取60.8 kPa）；T为标准状态温度（273.15 K）；T₁为相应海拔高度下温度（K）；M为平均能量代谢率（kJ/（min•m²））；A为体表面积（m²），如式（7）.

$A = 0.006 \;1H + 0.012\; 4W - 0.009\; 9 \text{，}$

(7)

式中：H为身高（cm）；W为体重（kg）.

从测试数据中看出，高海拔施工人员平均能量代谢率较低，且在100 W时最大平均能量代谢率为2.21 kJ/（min•m²）；高海拔施工人员平均能量代谢率随着功率增加而增加，在相同骑行功率下，平均能量代谢率随着氧浓度增加有减小趋势，且在100 W骑行功率减小较为明显.

3. MEC-BP神经网络算法拟合结果

根据数据特征，输入神经元选2个（功率、氧浓度），隐藏神经元个数取为10个，输出神经元为1个（平均新陈代谢率），种群规模大小取为100，训练数据取前5个人的45个数据，测试数据取最后1个人的9个数据. 神经网络结构如图3所示. 运用MATLAB R2016a对测试数据进行拟合，MEC-BP迭代次数及拟合优度如图4所示. 图5和图6分别给出了GA-BP和BP神经网络拟合优度及均方误差. 根据式（2）计算出MEC-BP、GA-BP、BP神经网络测试值与预测值均方误差分别为0.0139、0.0130、0.0255. 从拟合优度可以看出，MEC-BP神经网络优化算法相对较好，且均方误差较小，在计算过程中收敛速度快，在第4迭代步时验证集拟合均方根误差达到最小值0.054，在短时间内通过训练能达到较高拟合度，且训练、验证和测试的拟合优度较为平稳.

图 3 BP神经网络结构

Figure 3. Structure diagram of BP neural network

下载: 全尺寸图片幻灯片

图 4 MEC-BP迭代收敛及拟合优度

Figure 4. MEC-BP iterative convergence and goodness of fit

下载: 全尺寸图片幻灯片

图 5 GA-BP拟合优度

Figure 5. GA-BP goodness of fit

下载: 全尺寸图片幻灯片

图 6 BP拟合优度

Figure 6. BP goodness of fit

下载: 全尺寸图片幻灯片

从图7可以看出：在骑行功率为50 W时，平均能量代谢率随氧浓度变化不明显；在骑行功率为75 W时，平均能量代谢率随着氧浓度增加而减小，减小梯度小于100 W时变化曲率；在功率100 W时，当氧浓度小于25%时，平均能量代谢率随着氧浓度增加逐渐减小，当氧浓度大于25%时，平均能量代谢率随着氧浓度增加趋于平稳.

图 7 MEC-BP拟合平均能量代谢率变化

Figure 7. MEC-BP fitting average energy metabolic rate change chart

下载: 全尺寸图片幻灯片

4. 结　论

通过在高海拔进行高原供氧实验，运用MEC-BP神经网络优化算法对高海拔供氧测试数据进行了拟合，得到如下结论：

1）通过MEC-BP神经网络拟合的测试数据可以看出，拟合曲线变化规律与现场测试数据变化规律基本一致，验证了MEC-BP神经网络拟合的有效性.

2）通过不同算法对比分析了高原供氧数据拟合结果的准确性，MEC-BP神经网络在测试、验证和训练的拟合优度上相对稳定且精度较高，均方误差较小，拟合效果较好，可为多维数据拟合提供参考.

3）通过高海拔现场测试和MEC-BP神经网络拟合数据得到，50 W和75 W骑行功率下平均能量代谢率随氧浓度变化较小，100 W骑行功率下平均能量代谢率随氧浓度变化较大；25%供氧浓度可以作为4 200 m高海拔较高劳动强度的供氧浓度参考值.

致谢：成都哲学社会科学规划项目（2019CS107）；成都市科技项目（2019-YFYF-00121-SN）.

图 1 偶极子声源脉动和声辐射示意

Figure 1. Schematic diagram of dipole sound source pulsation and sound radiation

下载: 全尺寸图片幻灯片

图 2 由一对力点源构成的四极子声源

Figure 2. Quadrupole sound source composed of pair of force point sources

下载: 全尺寸图片幻灯片

图 3 风洞试验段高速列车模型安装及测点

Figure 3. Installation of high-speed train model and measuring points in wind tunnel test section

下载: 全尺寸图片幻灯片

图 4 流场外传声器测点分布（单位： m）

Figure 4. Distribution of measuring points of microphones outside the flow field （unit: m）

下载: 全尺寸图片幻灯片

图 5 风洞实验和仿真计算的声压级对比

Figure 5. Comparison of sound pressure level between wind tunnel experiment and simulation

下载: 全尺寸图片幻灯片

图 6 近头车表面的偶极子声源分布

Figure 6. Dipole sound source distribution near the surface of the head coach

下载: 全尺寸图片幻灯片

图 7 头车上的不同截面位置

Figure 7. Different cross-section positions on the head coach

下载: 全尺寸图片幻灯片

图 8 四极子声源的分布

Figure 8. Distribution of the quadrupole sound source

下载: 全尺寸图片幻灯片

图 9 前车轮声源区域及部分流线

Figure 9. Sound source area of front wheel and part of the streamline

下载: 全尺寸图片幻灯片

图 10 前车轮声源区域物理量沿流线变化的对比

Figure 10. Comparison of physical quantities’ changes along a streamline around the front wheel

下载: 全尺寸图片幻灯片

图 12 排障器声源区域物理量沿流线变化的对比

Figure 12. Comparison of physical quantities’ changes along a streamline around the cowcatcher

下载: 全尺寸图片幻灯片

图 14 转向架突出杆件声源区域物理量沿流线变化的对比

Figure 14. Comparison of physical quantities’ changes along a streamline around the bogie protruding rod

下载: 全尺寸图片幻灯片

图 16 裙板声源区域物理量沿流线变化的对比

Figure 16. Comparison of physical quantities’ changes along a streamline around the apron

下载: 全尺寸图片幻灯片

图 18 后车轮声源区域物理量沿流线变化的对比

Figure 18. Comparison of physical quantities’ changes along a streamline around the rear wheel

下载: 全尺寸图片幻灯片

图 20 转向架舱后沿声源区域物理量沿流线变化的对比

Figure 20. Comparison of physical quantities’ changes along a streamline around the rear edge of bogie cavity

下载: 全尺寸图片幻灯片

图 11 排障器声源区域及部分流线

Figure 11. Sound source area of cowcatcher and part of the streamline

下载: 全尺寸图片幻灯片

图 13 转向架突出杆件声源区域及部分流线

Figure 13. Sound source area of bogie protruding rod and part of the streamline

下载: 全尺寸图片幻灯片

图 15 裙板声源区域及部分流线

Figure 15. Sound source area of apron and part of the streamline

下载: 全尺寸图片幻灯片

图 17 后车轮声源区域及部分流线

Figure 17. Sound source area of rear wheel and part of the streamline

下载: 全尺寸图片幻灯片

图 19 转向架舱后沿声源区域及部分流线

Figure 19. Sound source area of the rear edge of bogie cavity and part of the streamline

下载: 全尺寸图片幻灯片

表 1 网格独立性测试结果

Table 1. Grid independence test results

网格量/万图 4 中测点 3/
总声压级与风洞实验
总声压级差值

3800 79.8 2.3
4000 80.2 2.7
4500 78.6 1.1
7000 78.4 0.9

下载: 导出CSV

参考文献(24)

[1]	LIGHTHILL M J. On sound generated aerodynamically Ⅰ: general theory[J]. Proceedings of the Royal Society of London Series A, Mathematical and Physical Sciences, 1952, 211(1107): 564-587.
[2]	LIGHTHILL M J. On sound generated aerodynamically Ⅱ: turbulence as a source of sound[J]. Proceedings of the Royal Society of London Series A, Mathematical and Physical Sciences, 1954, 222(1148): 1-32.
[3]	CURLE N. The influence of solid boundaries upon aerodynamic sound[J]. Proceedings of the Royal Society of London Series A, Mathematical and Physical Sciences, 1955, 231(1187): 505-514.
[4]	FFOWCS W J E, HAWKINGS D L. Boundary-layer pressure and the corcos model: a development to incorporate low-wavenumber constraints[J]. Journal of Fluid Mechanics, 1965, 22: 505-519.
[5]	FFOWCS W J E, HAWKINGS D L. Sound generation by turbulence and surfaces in arbitrary motion[J]. Philosophical Transactions of the Royal Society of London Series A (1934-1990), 1969, 264(1151): 321-342.
[6]	POWELL A. Theory of vortex sound[J]. The Journal of the Acoustical Society of America, 1964, 36(1): 177-195. doi: 10.1121/1.1918931
[7]	BOGEY C, BAILLY C, JUVÉ D. Computation of flow noise using source terms in linearized Euler’s equations[J]. AIAA Journal, 2002, 40(2): 235-243. doi: 10.2514/2.1665
[8]	EWERT R, SCHRÖDER W. Acoustic perturbation equations based on flow decomposition via source filtering[J]. Journal of Computational Physics, 2003, 188(2): 365-398. doi: 10.1016/S0021-9991(03)00168-2
[9]	王毅刚,黄晓胜,危巍,等. 涡声理论在汽车A柱气动噪声优化中的应用[J]. 噪声与振动控制,2017,37(2): 107-112. doi: 10.3969/j.issn.1006-1355.2017.02.022 WANG Yigang, HUANG Xiaosheng, WEI Wei, et al. Aerodynamic noise optimization of vehicle’s A-pillar based on vortex sound theory[J]. Noise and Vibration Control, 2017, 37(2): 107-112. doi: 10.3969/j.issn.1006-1355.2017.02.022
[10]	杨志刚,刘洋,王毅刚. 有限长圆柱绕流气动噪声源特性分析[J]. 声学技术,2019,38(1): 5-14. YANG Zhigang, LIU Yang, WANG Yigang. Study of aeroacoustic noise source induced by a cylindrical flow of finite length[J]. Technical Acoustics, 2019, 38(1): 5-14.
[11]	MELLET C, LÉTOURNEAUX F, POISSON F, et al. High speed train noise emission: latest investigation of the aerodynamic/rolling noise contribution[J]. Journal of Sound and Vibration, 2006, 293(3/4/5): 535-546.
[12]	张卫华. 高速列车顶层设计指标研究[J]. 铁道学报,2012,34(9): 15-19. doi: 10.3969/j.issn.1001-8360.2012.09.003 ZHANG Weihua. Study on top-level design specifications of high-speed trains[J]. Journal of the China Railway Society, 2012, 34(9): 15-19. doi: 10.3969/j.issn.1001-8360.2012.09.003
[13]	张曙光. 350 km·h⁻¹高速列车噪声机理、声源识别及控制[J]. 中国铁道科学,2009,30(1): 86-90. ZHANG Shuguang. Noise mechanism, sound source localization and noise control of 350 km·h⁻¹ high-speed train[J]. China Railway Science, 2009, 30(1): 86-90.
[14]	高阳,王毅刚,王金田,等. 声学风洞中的高速列车模型气动噪声试验研究[J]. 声学技术,2013,32(6): 506-510. GAO Yang, WANG Yigang, WANG Jintian, et al. Testing study of aerodynamic noise for high speed train model in aero-acoustic wind tunnel[J]. Technical Acoustics, 2013, 32(6): 506-510.
[15]	NAGAKURA K. Localization of aerodynamic noise sources of Shinkansen trains[J]. Journal of Sound and Vibration, 2006, 293(3/4/5): 547-556.
[16]	HE B, JIN X S. Investigation into external noise of a high-speed train at different speeds[J]. Journal of Zhejiang University Science A, 2014, 15: 1019-1033. doi: 10.1631/jzus.A1400307
[17]	LAUTERBACH A, EHRENFRIED K, LOOSE S, et al. Microphone array wind tunnel measurements of Reynolds number effects in high-speed train aeroacoustics[J]. International Journal of Aeroacoustics, 2012, 11(3/4): 411-446.
[18]	ATSUSHI Y N I. Evaluation methods for aerodynamic noise from a high-speed train bogie in a wind tunnel test[C]//INTER-NOISE and NOISE-CON Congress and Conference Proceedings, 2011(6): 1543-1553.
[19]	张亚东,张继业,张亮,等. 高速列车动车转向架气动噪声数值分析[J]. 西南交通大学学报,2016,51(5): 870-877. doi: 10.3969/j.issn.0258-2724.2016.05.008 ZHANG Yadong, ZHANG Jiye, ZHANG Liang, et al. Numerical analysis of aerodynamic noise of motor car bogie for high-speed trains[J]. Journal of Southwest Jiaotong University, 2016, 51(5): 870-877. doi: 10.3969/j.issn.0258-2724.2016.05.008
[20]	黄莎,杨明智,李志伟,等. 高速列车转向架部位气动噪声数值模拟及降噪研究[J]. 中南大学学报(自然科学版),2011,42(12): 3899-3904. HUANG Sha, YANG Mingzhi, LI Zhiwei, et al. Aerodynamic noise numerical simulation and noise reduction of high-speed train bogie section[J]. Journal of Central South University (Science and Technology), 2011, 42(12): 3899-3904.
[21]	朱剑月,王毅刚,杨志刚,等. 高速列车转向架区域裙板对流场与气动噪声的影响[J]. 同济大学学报(自然科学版),2017,45(10): 1512-1521. doi: 10.11908/j.issn.0253-374x.2017.10.014 ZHU Jianyue, WANG Yigang, YANG Zhigang, et al. Effect of bogie fairing on flow and aerodynamic noise behaviour around bogie of high-speed train[J]. Journal of Tongji University (Natural Science), 2017, 45(10): 1512-1521. doi: 10.11908/j.issn.0253-374x.2017.10.014
[22]	HAN J, LAN J. Research on the radiation characteristics of aerodynamic noises of a simplified bogie of the high-speed train[J]. Journal of Vibroengineering, 2017, 19(3): 2280-2293. doi: 10.21595/jve.2017.18229
[23]	高阳,李启良,陈羽,等. 高速列车头型近场与远场噪声预测[J]. 同济大学学报(自然科学版),2019,47(1): 124-129. doi: 10.11908/j.issn.0253-374x.2019.01.018 GAO Yang, LI Qiliang, CHEN Yu, et al. Prediction of near field and far field noise for high-speed train head shape[J]. Journal of Tongji University (Natural Science), 2019, 47(1): 124-129. doi: 10.11908/j.issn.0253-374x.2019.01.018
[24]	张强. 气动声学基础[M]. 北京: 国防工业出版社, 2012.

施引文献

附加材料(0)

访问统计

点击查看大图

图(20) / 表(1)

计量

文章访问数: 565
HTML全文浏览量: 261
PDF下载量: 85
被引次数: 0

1. MEC-BP神经网络模型简介
1.1 BP神经网络
1.2 MEC算法
1.3 MEC-BP神经网络拟合预测模型
2. 高海拔隧道供氧实验
3. MEC-BP神经网络算法拟合结果
4. 结　论

网格量/万	图 4 中测点 3/ 总声压级	与风洞实验总声压级差值
3800	79.8	2.3
4000	80.2	2.7
4500	78.6	1.1
7000	78.4	0.9

高速列车转向架区域气动噪声源的特征识别

doi: 10.3969/j.issn.0258-2724.20210636

作者简介: 王毅刚（1964—），男，教授，研究方向为气动噪声、噪声与振动控制，E-mail：yigang.wang@sawtc.com

计量

出版历程