基于反向传播神经网络预测嵌有玻璃纤维和二氧化硅气凝胶的蜂窝复合材料的吸声和隔热性能

《Applied Materials Today》：Prediction of sound absorption and insulation properties of honeycomb composites embedded with glass fiber and silica aerogel based on backpropagation neural network

　　

Liping Liu | Hui Wang | Jieyu Xue | Yuanrong Ding | Xuhong Yang | Ruonan Han | Zhou Chen | Yong Yang

现代丝绸国家工程实验室，江南大学纺织与服装工程学院，中国苏州215000

摘要

蜂窝嵌入式结构是一种创新的轻质复合材料，具有优异的结构效率和多功能性。为了有效地预测蜂窝嵌入式结构的声学性能，本研究采用了一种反向传播神经网络（BPNN）模型，以面板厚度、蜂窝尺寸和前体浓度作为输入特征。声音吸收和隔音效果作为BPNN模型的输出目标。实验结果显示，声音传输损失（STL）和声音吸收系数（SAC）的均方根误差（RMSE）分别为0.68725和0.05。通过适当选择输入特征并训练BPNN模型，成功开发出一个预测系统，可以准确评估蜂窝嵌入式结构的声学吸收和隔音性能。

引言

噪声被认为是工人在工作场所面临的最持久的物理污染源[1]。长期暴露在过高的噪声环境中可能导致永久性听力损失，最终影响言语交流和社会行为的质量[2]。根据世界卫生组织的数据，短期暴露在高分贝水平下可能会导致焦虑、担忧和睡眠障碍等情绪问题[3]、[4]。而长期暴露则可能引发耳鸣和心脏病发作等严重健康问题[5]。

人工神经网络（ANN）是一种模仿人类神经系统信息处理的技术。它已在工程领域广泛应用于分类、拟合和预测任务[6]。近年来，一些研究人员利用人工神经网络研究了声学领域的相关问题。例如，Luo等人[6]根据芳纶蜂窝夹芯板的特性设计了49种不同的结构，并通过正交实验评估了它们的声学性能。研究人员开发了三种神经网络模型——反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）和广义回归神经网络（GRNN），以面板材料、面板厚度、芯材厚度、蜂窝孔径、芯材密度和声频作为输入参数，声音传输损失作为输出结果。实验表明，GRNN模型的预测准确率最高，均方根误差（RMSE）仅为3.45％，而RBFNN的性能最差，均方误差（MSE）为11.48％。此外，Wang等人[7]使用人工神经网络预测了1000、2000和4000 Hz超细玻璃棉垫的声音传输损失（STL），结果显示预测结果与实验数据高度一致。使用贝叶斯正则化（BR）算法构建的3-[5]1–3模型表现出最佳性能，平均相对误差最低。在其他相关研究中，Iannace等人[8]提出了一种基于人工神经网络的数值模拟方法来分析扫帚纤维的声学特性，重点关注气流阻力、孔隙率和声音吸收系数（SAC）等参数。结果表明，该模型的预测准确率很高，皮尔逊相关系数为0.989，显著优于传统的线性回归方法。随后，Jeon等人[9]研究了人工神经网络在估算多层纤维材料声学吸收系数中的应用。他们仅使用非声学参数气流阻力，就成功预测了230个四层纤维材料样本的声学吸收系数。结果显示预测结果与实际测量结果具有很强的相关性。总之，人工神经网络在预测声学性能方面具有显著优势，并具有简化输入参数的潜力，因此可以应用于广泛的领域。使用BP算法的人工神经网络被广泛用于预测材料属性。BPNN已被证明是解决复杂问题的有效工具。与传统回归分析相比，借助人工神经网络技术，可以通过机器学习来预测物理参数，无需了解定量理论关系即可快速分析每个输入参数对输出参数的影响，从而在很短的时间内预测声学人工结构的声场响应特性，提高设计效率并减少对计算资源的依赖[10]、[11]。这种能力通过先进的深度学习架构得以进一步扩展，例如变分自编码器（VAE）和孪生神经网络，用于复杂任务，如按需设计声子晶体带隙、高精度预测复合超材料的吸收性能和共振超结构性能以及高效估算水下涂层的声学吸收[12]、[13]。

因此，为了有效预测嵌有玻璃纤维和二氧化硅气凝胶的蜂窝复合材料的声学性能，本研究基于BPNN开发了一个预测模型。鉴于结构参数与多频声学响应之间的非线性关系，并考虑到我们实验数据集的特点，选择了BPNN，因为它在非线性映射、计算效率和解释性方面经过了验证，非常适合这一特定应用。

部分摘要

反向传播神经网络（BPNN）

BPNN是一种基于“多层感知器”（MLP）结构的前馈神经网络，首次提出于1986年。在此基础上，研究人员通过调整模型输出与实际数据之间的偏差，引入了一种改进方法来优化模型，从而获得更准确的预测结果[14]。最简单的MLP配置包括一个输入层（IL）、一个隐藏层和一个输出层。当然，也可以添加额外的隐藏层。

材料与方法

图2(a)展示了本研究中使用的物理样品及其微观形态，而图2(b)说明了声波在材料样品中的传播机制：部分声波被反射或透射，其余部分被材料吸收。气凝胶的加入使得声波在材料中的传播路径更加复杂，从而增强了反射效应。此外，气凝胶还具有独特的声学延迟特性，可以减少

结果与讨论

首先将编写好的代码输入MATLAB工作区，然后构建并训练神经网络模型。这是整个过程的起点，确保我们的工作环境为后续的数据处理和模型训练做好准备。下一步是导入数据。可以使用MATLAB的数据导入函数将Excel文件中的数据导入到MATLAB工作区。这一步非常关键，因为它是连接数据与模型的桥梁

结论

在这项研究中，开发了一个基于BPNN的预测模型，用于评估在不同设计参数下的蜂窝嵌入式结构的声学性能。选择面板厚度、蜂窝尺寸和前体浓度作为关键输入特征，声音传输损失（STL）作为输出指标。该模型使用实验数据进行了训练和验证，结果显示在声音隔离和声音吸收方面具有较高的预测准确性。

CRediT作者贡献声明

Liping Liu：撰写——初稿，正式分析，数据管理。Yong Yang：撰写——审稿与编辑，正式分析，数据管理。Zhou Chen：正式分析，数据管理。Ruonan Han：数据管理。Jieyu Xue：正式分析，数据管理。Hui Wang：正式分析，数据管理。Xuhong Yang：正式分析。Yuanrong Ding：数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。