本发明涉及轨道车辆车体结构隔声设计领域,涉及一种高速列车地板复合结构隔声关键影响因素识别方法。
背景技术:
1、提高高速列车车体结构的隔声性能是改善车内噪声的关键措施。然而,高速列车车体是复杂的复合结构,由多层不同类别的材料组合而成,其隔声性能的优劣与各个材料的物理性能息息相关,导致车体的隔声优化设计并不容易。
2、就地板复合结构而言,由内至外主要包括了地板布、内装板、支撑体(木骨和弹性支撑)、间夹材料层(隔声材料、吸声材料、阻尼材料、沥水板等)和铝型材。面对如此多的组成材料,到底应该调整哪层或哪几层材料,又该如何调整,才能够高效、精准地获取满足隔声需求的优化方案,是研究人员非常关心的问题。为实现这一目标,必须首先充分了解哪些材料会对结构整体的隔声性能有影响,有多大的影响,从而令研究人员得以准确地识别和把握其隔声的关键影响因素,并有的放矢地对影响较大的材料进行定向调整和改进。
3、以往对于高速列车地板复合结构隔声影响因素的调查研究多采用基于有限元或统计能量分析的仿真方法,为指导高速列车地板复合结构的隔声优化设计提供了重要的理论基础和数据支撑。但是,利用上述传统方法基本都只能对某一种或某几种材料进行单一参数调查,而无法考虑构成地板复合结构的所有材料之间的多参数变化及影响,也就难以对各材料的影响程度获得全局性的掌握。因此,亟需设计一种高速列车地板复合结构隔声关键影响因素识别方法。
技术实现思路
1、本发明要解决的技术问题是克服现有技术的缺陷,提供一种高速列车地板复合结构隔声关键影响因素识别方法,它能够从全局的角度对高速列车地板复合结构中各材料对整体隔声的贡献量开展计算分析,并有效识别其隔声性能的关键影响因素。
2、为了解决上述技术问题,本发明的技术方案是:一种高速列车地板复合结构隔声关键影响因素识别方法,方法包括:
3、获取多个高速列车地板复合结构;
4、将各个高速列车地板复合结构分层整理,采集各层与隔声相关的特征;
5、采用随机森林方法,以基尼指数gi为评价量,计算各个特征对于地板复合结构整体隔声量的贡献量评分;
6、基于贡献量评分的大小识别隔声关键影响因素。
7、进一步,高速列车地板复合结构为13层结构,13层结构为:1个地板布层,1个内装板层,4个隔音层,3个吸音层,1个沥水板层,1个支撑体层,1个阻尼浆层和1个铝型材层。
8、进一步,对于地板布层、内装板层、隔音层、沥水板层和铝型材层,与隔声相关的特征均为面密度、厚度和隔声量;
9、对于吸音层,与隔声相关的特征为体积密度、厚度和吸声系数;
10、对于支撑体层,与隔声相关的特征为高度;
11、对于阻尼层,与隔声相关的特征为厚度。
12、进一步,计算各个特征对于地板复合结构整体隔声量的贡献量评分,具体包括:
13、步骤a,计算第i棵决策树的节点k的基尼指数,即:
14、
15、式中,c为第i棵决策树中所包含的高速列车地板复合结构隔声量样本类别个数,pkc表示选中的样本,即节点k对应的样本,属于c类别的概率,即在该节点中此样本类别占全部类别的比例,基尼指数表示在样本集合中一个随机选中的样本被分类错误的概率;
16、步骤b,计算第j个特征fj在第i棵决策树的节点k的贡献量,即节点k分枝前后的基尼指数变化量为:
17、
18、式中,和分别表述分枝后两个新节点的基尼指数;
19、步骤c,若特征fj在第i棵决策树中出现的节点为集合m,则fj在第i棵决策树的贡献量为:
20、
21、步骤d,由于随机森林中共有i棵决策树,则可得各特征的贡献量评分为:
22、
23、步骤e,将所有特征的贡献量评分做归一化处理,即:
24、
25、进一步,基于贡献量评分的大小识别隔声关键影响因素,具体为:
26、对所有特征按其贡献量评分的分值由大到小进行排序,排名越靠前的特征,其对于结果的影响也越显著,被视为关键影响因素。
27、采用上述技术方案后,本发明基于数据驱动,通过采用机器学习中的随机森林方法,能够从全局的角度对高速列车地板复合结构中各材料对整体隔声的贡献量开展计算分析,并有效识别其隔声性能的关键影响因素。
1.一种高速列车地板复合结构隔声关键影响因素识别方法,其特征在于,
2.根据权利要求1所述的高速列车地板复合结构隔声关键影响因素识别方法,其特征在于,
3.根据权利要求2所述的高速列车地板复合结构隔声关键影响因素识别方法,其特征在于,
4.根据权利要求3所述的高速列车地板复合结构隔声关键影响因素识别方法,其特征在于,
5.根据权利要求2所述的高速列车地板复合结构隔声关键影响因素识别方法,其特征在于,