气/水介质湍流噪声强度的BP神经网络预测模型

doi:10.12141/j.issn.1000-565X.240077

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (12): 119-126.doi: 10.12141/j.issn.1000-565X.240077

所属专题： 2024年流体动力与机电控制工程

• 流体动力与机电控制工程 • 上一篇下一篇

气/水介质湍流噪声强度的BP神经网络预测模型

朱睿¹^,²(), 刘宇², 梁钰迎², 申传鹏²

^1.厦门大学航空航天学院，福建厦门 361102
^2.西藏民族大学信息工程学院，陕西咸阳 712082

收稿日期:2024-02-15 出版日期:2024-12-25 发布日期:2024-06-14
作者简介:朱睿（1980—），男，博士，副教授，主要从事实验/计算流体力学研究。E-mail： zhurui@xmu.edu.cn
基金资助:
西藏自治区重点研发计划项目(XZ202401ZY0102);厦门市自然科学基金资助项目(3502Z20227179);教育部人文社会科学规划基金资助项目(23XZJAZH001);西藏自治区自然科学基金重点资助项目(XZ202401ZR0055);福建省自然科学基金资助项目(2022J01058);中国航空科学基金资助项目(2023Z032068001);水声对抗技术重点实验室基金资助项目(JCKY2024207CH05);西藏民族大学基金资助项目(Y2024050)

BP Neural Network Prediction Model for Turbulent Noise Intensity in Gas/Water Medium

ZHU Rui¹^,²(), LIU Yu², LIANG Yuying², SHEN Chuanpeng²

^1.School of Aerospace Engineering，Xiamen University，Xiamen 361102，Fujian，China
^2.College of Information Engineering，Xizang Minzu University，Xianyang 712082，Shaanxi，China

Received:2024-02-15 Online:2024-12-25 Published:2024-06-14
Supported by:
the Key Research and Development Program of Xizang Autonomous Region(XZ202401ZY0102);the Humanities and Social Sciences Program of the Ministry of Education(23XZJAZH001);the Key Natural Science Foundation of Xizang Autonomous Region(XZ202401ZR0055);the Natural Science Foundation of Fujian Province(2022J01058)

摘要/Abstract

摘要：

针对常规气/水介质湍流噪声强度数值求解耗时长、效率低的问题，建立相似流动条件下气/水介质钝体/空腔湍流噪声强度的神经网络预测模型，以根据水下噪声强度高效预测同雷诺数下的气动噪声强度，为气/水介质湍流噪声强度的高效预测以及控制方法、测噪试验介质可替换性的研究提供技术支撑。开展粒子图像测速试验，测得开缝圆柱绕流速度以验证数值方法的有效性。采用大涡模拟方法构建气/水介质湍流噪声强度的数值模型，模型的平均速度计算误差小于2.25%，测试值与模拟值的斯特劳哈尔数误差仅为0.89%。由数值模型获得1 338条数据信息，用于构建训练样本数据集。基于关键流动参数构建BP（反向传播）神经网络来映射气/水介质湍流噪声关系，并采用Levenberg-Marquardt算法训练预测模型，该模型以Sigmoid函数作为激活函数，包含8个输入神经元、1个输出神经元以及单隐藏层。研究结果表明：所提出的BP神经网络预测模型可根据水下噪声强度预测同雷诺数下的气动噪声强度，最大预测误差小于6.21 dB，平均误差为0.44 dB，模型泛化能力良好，在测试集非规律点处的总声压级误差为0.27 dB；相同硬件环境下，数值求解用时约30 h，BP神经网络模型预测用时仅70 s，显著提升了计算效率。

关键词: 气/水介质, 湍流噪声, BP神经网络, 预测模型, 开缝圆柱, 粒子图像测速

Abstract:

Addressing the issues of long computation time and low efficiency in numerical solutions for turbulent noise intensity in conventional air/water medium, a neural network prediction model for bluff body/cavity turbulent noise intensity in air/water medium under similar flow conditions was established. This model efficiently predicts aerodynamic noise intensity at the same Reynolds number based on underwater noise intensity, providing technical support for the efficient prediction and control methods of turbulent noise intensity in air/water medium, as well as the research on the interchangeability of noise testing medium. Particle image velocimetry experiments were conducted to measure the flow velocity around open-slot cylinders, validating the effectiveness of the numerical methods. A numerical model for turbulent noise intensity in air/water medium was constructed using the large eddy simulation method, achieving an average velocity calculation error of less than 2.25% and a Strouhal number error of 0.89% between test and simulated values. The numerical model generated 1 338 data points, which were used to construct a training sample dataset. Then, a backpropagation (BP) neural network was built based on key flow parameters to map the relationship between turbulent noise in air/water medium. The Levenberg-Marquardt algorithm was employed to train the predictive model, with the Sigmoid function selected as the activation function. The network comprises 8 input neurons, 1 output neuron, and a single hidden layer. The results demonstrate that the proposed BP neural network prediction model can predict aerodynamic noise intensity at the same Reynolds number as underwater noise intensity, with a maximum prediction error of less than 6.21 dB and an average error of 0.44 dB; that the model exhibits good generalization ability, with an error of 0.27 dB at irregular points in the test set; and that, under comparable hardware conditions, the numerical solution method required approximately 30 hours for computation, while the BP neural network prediction model took only 70 seconds, significantly improving the computational efficiency.

Key words: gas/water medium, turbulent noise, BP neural network, prediction model, open-slot cylinder, particle image velocimetry

中图分类号:

O357.5

朱睿, 刘宇, 梁钰迎, 申传鹏. 气/水介质湍流噪声强度的BP神经网络预测模型[J]. 华南理工大学学报(自然科学版), 2024, 52(12): 119-126.

ZHU Rui, LIU Yu, LIANG Yuying, SHEN Chuanpeng. BP Neural Network Prediction Model for Turbulent Noise Intensity in Gas/Water Medium[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(12): 119-126.

图/表 16

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

表1

表2

图13

图14

参考文献 28

1	DI MARCO A， BURGHIGNOLI L， CENTRACCHIO F，et al ．Airframe noise measurements in a large hard-walled closed-section wind tunnel［J］．Applied Acoustics，2019，146：96-107．
2	赵成，张涛，侯国祥．基于声扰动方程的矩形柱绕流噪声数值模拟［J］．华中科技大学学报（自然科学版），2021，49（10）：103-108．
	ZHAO Cheng， ZHANG Tao， HOU Guoxiang ．Numerical study on flow noise of flow around rectangular cylinders based on acoustic perturbation equations［J］．Journal of Huazhong University of Science and Technology （Natural Science Edition），2021，49（10）：103-108．
3	MARTIN R， SORIA M， RODRIGUEZ I，et al ．On the flow and passive noise control of an open cavity at Re = 5　000［J］．Flow，Turbulence and Combustion，2022，108（1）：123-148．
4	刘志荣，邹赫，刘锦生，等．开缝圆柱缝隙倾斜角对脱落涡的影响［J］．北京航空航天大学学报，2017，43（1）：128-135．
	LIU Zhirong， ZOU He， LIU Jinsheng，et al ．Effect of angle of slit on shedding vortex of slotted circular cylinder［J］．Journal of Beijing University of Aeronautics and Astronautics，2017，43（1）：128-135．
5	王毅刚，陈垂文，黄晓胜，等．圆柱绕流近壁面处气动噪声源识别研究［J］．声学技术，2019，38（4）：422-427．
	WANG Yigang， CHEN Chuiwen， HUANG Xiaosheng，et al ．Study of identification method for aerodynamic noise sources in flow around cylinder［J］．Technical Acoustics，2019，38（4）：422-427．
6	田斯源，余培汛，白俊强，等．全尺寸起落架的气动及声学特性分析［J］．西北工业大学学报，2022，40（5）：953-961．
	TIAN Siyuan， YU Peixun， BAI Junqiang，et al ．Analysis of aerodynamic and aeroacoustics of full scale landing gear［J］．Journal of Northwestern Polytechnical University，2022，40（5）：953-961．
7	GEYER T F ．Experimental evaluation of cylinder vortex shedding noise reduction using porous material［J］．Experiments in Fluids，2020，61（7）：1-21．
8	任旺．飞机起落架结构件气动噪声分析与降噪方法研究［D］．南京：南京航空航天大学，2016．
9	陈武，周毅．基于K-FWH声比拟方法的串列双圆柱气动噪声研究［J］．北京航空航天大学学报，2021，47（10）：2118-2128．
	CHEN Wu， ZHOU Yi ．Investigation on aeroacoustic of tandem double cylinders by K-FWH acoustic analogy method［J］．Journal of Beijing University of Aeronautics and Astronautics，2021，47（10）：2118-2128．
10	JACOB J， BHATTACHARYA S K ．Aerodynamic noise from long circular and non-circular cylinders using large eddy simulations［J］．International Journal of Aeroacoustics，2022，21（3/4）：142-167．
11	AL-SADAWI L， BIEDERMANN T M， FRITSCHE M ．Passive control of vortex shedding noise of circular cylinders by passive air-jet blowing［J］．Journal of Aerospace Engineering，2021，34（5）：04021060/1-11．
12	LIU H， ZHANG S， CHEN R，et al ．Numerical study on aerodynamic drag and noise of circular cylinders with a porous plate［J］．Aerospace Science and Technology，2022，123：107460/1-15．
13	ZHENG C， ZHOU P， ZHONG S，et al ．An experimental investigation of drag and noise reduction from a circular cylinder using longitudinal grooves［J］．Physics of Fluids，2021，33（11）：115110/1-11．
14	朱睿，李尚，陈子煜，等．二维开缝圆柱环流动力特性［J］．上海交通大学学报，2019，53（10）：1238-1248．
	ZHU Rui， LI Shang， CHEN Ziyu，et al ．Flow field dynamic characteristics of slit cylinders［J］．Journal of Shanghai Jiaotong University，2019，53（10）：1238-1248．
15	ZHU R， ZHUANG Q， LI S，et al ．Overall flow dynamics characteristics of slit-vent cylinders［J］．Aerospace Science and Technology，2020，105：106074/1-11．
16	LYSENKO D A ．Free stream turbulence intensity effects on the flow over a circular cylinder at Re = 3　900：bifurcation， attractors and Lyapunov metric［J］．Ocean Engineering，2023，287：115787/1-14．
17	杨锦文，何意，鲍锋．开缝圆柱近场尾流的大涡模拟和实验测量［J］．空气动力学学报，2014，32（3）：308-314．
	YANG Jinwen， HE Yi， BAO Feng ．Large eddy stimulation and experimental measurement of near wake structures of a slotted circular cylinder［J］．Acta Aerodynamica Sinica，2014，32（3）：308-314．
18	MAYS M D， LARDEAU S， LAIZET S ．Capturing the drag crisis in the flow around a smooth cylinder using a hybrid RANS-LES model on coarse meshes［J］．International Journal of Heat and Fluid Flow，2023，103：109203/1-14．
19	李定远，方斌，李一鸣，等．圆柱绕流特征频率相似性研究［J］．舰船电子工程，2022，42（3）：197-202．
	LI Dingyuan， FANG Bin， LI Yiming，et al ．Study on the similarity of characteristic frequency of flow around a cylinder［J］．Ship Electronic Engineering，2022，42（3）：197-202．
20	眭嘉里．基于数值模拟和BP神经网络的悬垂绝缘子串风偏角预测模型［D］．重庆：重庆大学，2020．
21	姚景瑜，孟海洋，杨京，等．基于BP人工神经网络的轴流风扇气动噪声预测［J］．南京大学学报（自然科学），2020，56（6）：900-908．
	YAO Jingyu， MENG Haiyang， YANG Jing，et al ．Aerodynamic noise prediction of tube-axial fan based on BP artificial neural network［J］．Journal of Nanjing University （Natural Science），2020，56（6）：900-908．
22	王晓玲，杨姝．基于多模型融合的BP神经网络组合预测模型的研究［J］．电脑知识与技术，2023，19（3）：22-25．
	WANG Xiaoling， YANG Shu ．Research on BP neural network combination prediction model based on multi-model fusion［J］．Computer Knowledge and Technology，2023，19（3）：22-25．
23	刘兆荣．基于改进激活函数的卷积神经网络算法及应用研究［D］．上海：上海海洋大学，2019．
24	MENG H， XU X， YANG J，et al ．Fast prediction of aerodynamic noise induced by the flow around a cylinder based on deep neural network［J］．Chinese Physics B，2022，31（6）：064305/1-6．
25	周梦，吕志刚，邸若海，等．基于小样本数据的BP神经网络建模［J］．科学技术与工程，2022，22（7）：2754-2760．
	ZHOU Meng， Zhigang LÜ， DI Rouhai，et al ．BP neural network modeling based on small sample data［J］．Science Technology and Engineering，2022，22（7）：2754-2760．
26	周中，邓卓湘，陈云，等．基于GA-BP神经网络的泡沫轻质土强度预测［J］．华南理工大学学报（自然科学版），2022，50（11）：125-132．
	ZHOU Zhong， DENG Zhuoxiang， CHEN Yun，et al ．Strength prediction of foam light soil based on GA-BP neural network［J］．Journal of South China University of Technology （Natural Science Edition），2022，50（11）：125-132．
27	WANG P， FAN E ．Neural network optimization method and its application in information processing［J］．Mathe-matical Problems in Engineering，2021，1（10）：1-10．
28	赵文清，严海，周震东，等．基于残差BP神经网络的变压器故障诊断［J］．电力自动化设备，2020，40（2）：143-148．
	ZHAO Wenqing， YAN Hai， ZHOU Zhendong，et al ．Fault diagnosis of transformer based on residual BP neural network［J］．Electric Power Automation Equipment，2020，40（2）：143-148．

狭缝比	攻角/（°）	雷诺数	水流速/（mm·s^-1）	空气流速/（mm·s^-1）	监测点坐标/mm	水下总声压级/dB
0.15	0	63 694	1 600	23 259.91	（100，0）	116.176
0.10	30	31 847	800	11 629.95	（200，0）	101.037
0.20	60	63 694	1 600	23 259.91	（0，200）	119.498
0.10	90	47 770	1 200	17 444.93	（100，0）	119.212
0.10	0	63 694	1 600	23 259.91	（0，200）	117.578
0.10	0	47 770	1 200	17 444.93	（300，0）	98.980
0.10	30	31 847	800	11 629.95	（215，0）	100.019
0.20	60	31 847	800	11 629.95	（0，20）	131.598
0.10	60	47 770	1 200	17 444.93	（0，0）	145.261
0.20	90	63 694	1　600	23 259.91	（40，0）	132.211

数值模拟结果/dB	预测结果/dB	绝对误差/dB
107.41	108.98	-1.57
89.06	88.79	0.27
110.57	108.49	2.08
107.56	107.57	-0.01
106.32	105.75	0.57
92.20	92.93	-0.73
88.44	88.17	0.27
119.01	120.15	-1.14
135.27	133.15	2.12
121.71	119.29	2.42

[1]	刘秀梅, 吴速, 李贝贝, 等. 基于2D-PIV的调节阀三维流场特性研究[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 110-118.
[2]	兰凤崇, 张越, 陈吉清, 等. 人车碰撞事故中行人伤亡风险的关联性分析与预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 1-10.
[3]	张驰, 任士鹏, 王博, 等. 长大下坡路段货车运行速度特性及预测[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 38-49.
[4]	周中, 邓卓湘, 陈云, 等. 基于GA-BP神经网络的泡沫轻质土强度预测[J]. 华南理工大学学报(自然科学版), 2022, 50(11): 125-132.
[5]	张益瑞苏建徐观. 三维测力装置维间耦合效应试验及解耦方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 135-144.
[6]	薛翠真申爱琴乔宏霞. 掺 CWCPM 混凝土的冻融损伤机理及演化模型[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 136-144.
[7]	陈维亚潘鑫方晓平 . 基于 K-means 聚类组合模型的公交线路客流短时预测[J]. 华南理工大学学报(自然科学版), 2019, 47(4): 83-89,113.
[8]	柴博森项玥刘勇王志豪张雅超刘思远. 基于PIV试验的水介质液力偶合器涡轮流场仿真评价[J]. 华南理工大学学报(自然科学版), 2018, 46(5): 125-134.
[9]	包丹文刘建荣顾佳羽. 机场巴士线网可靠性优化模型及算法设计[J]. 华南理工大学学报（自然科学版）, 2017, 45(8): 84-91.
[10]	张承维肖兵. 柴油－天然气掺烧发动机滞燃期的预测[J]. 华南理工大学学报（自然科学版）, 2014, 42(8): 21-26.
[11]	傅贵韩国强逯峰许子鑫. 支持向量机短时交通流预测应用研究[J]. 华南理工大学学报（自然科学版）, 2013, 41(9): 71-76.
[12]	万小芳黄春柳李友明柴欣生胡会超. 阳离子细乳液聚合制备官能化聚硅氧烷[J]. 华南理工大学学报（自然科学版）, 2013, 41(7): 75-80,93.
[13]	李海龙詹怀宇柴欣生刘梦茹付时雨. 硫酸盐浆氧脱木素过程中草酸根的生成规律[J]. 华南理工大学学报(自然科学版), 2012, 40(9): 38-41,68.
[14]	王惜慧黄正展赵荣超黄旭为刘珐. 柴油机EGR温度的智能控制策略[J]. 华南理工大学学报（自然科学版）, 2011, 39(1): 147-151.
[15]	朱栋朱荻徐正扬. 基于神经网络的叶片电解加工阴极修正模型及其仿真[J]. 华南理工大学学报（自然科学版）, 2010, 38(2): 60-66.

气/水介质湍流噪声强度的BP神经网络预测模型

BP Neural Network Prediction Model for Turbulent Noise Intensity in Gas/Water Medium

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价