《Engineering Applications of Artificial Intelligence》:Sound zoning modulation within non-enclosed vehicular cavities: targeted compensation for dynamic reverberation and wind-induced noise
编辑推荐:
声分区有助于在共享物理空间内构建多个相互隔离的听音区域,在个性化音频传递方面展现出显著潜力。然而,该技术在车辆腔体中的实际应用面临独特挑战,主要表现为车窗操作过程中动态变化的混响环境以及伴随产生的风致噪声。为解决这一局限性,本研究提出了一种适用于不同车窗开启状
声分区有助于在共享物理空间内构建多个相互隔离的听音区域,在个性化音频传递方面展现出显著潜力。然而,该技术在车辆腔体中的实际应用面临独特挑战,主要表现为车窗操作过程中动态变化的混响环境以及伴随产生的风致噪声。为解决这一局限性,本研究提出了一种适用于不同车窗开启状态下非封闭车辆腔体的声分区调制方法,重点在于表征动态混响与风致噪声条件下的声传播特性。针对动态混响环境所构建的物理信息神经网络(PINN)框架,能够在不同车窗操作条件下高效且准确地预测声传递函数(ATFs),从而避免重复仿真或测量所带来的高成本。此外,通过在声学屏蔽区域中实施预期幅值的定制化分配,并结合已建立的ATFs预测结果,研究人员进一步开发出一种适配非封闭车辆腔体的声分区调制定向补偿策略。最后,为评估非封闭腔体中声分区调制的有效性,研究通过混响声传播分析、ATFs实验测量以及风洞测试开展了系统验证。结果表明,该方法的均方根误差低于2 dB,且在低频范围内预测误差低于1 dB,同时保持了全频段性能的一致性。更为重要的是,所提出的补偿方法不仅能够维持不同区域之间的声学隐私,还可降低计算与测量成本。
该文发表于《Engineering Applications of Artificial Intelligence》,聚焦于开放车窗工况下非封闭车辆腔体内声分区(sound zoning)的工程实现问题。声分区的核心目标是在同一物理空间中构建彼此独立、互不干扰的听音区域,以满足个性化音频播放和乘员听觉隐私保护需求。既有研究表明,基于自由场假设建立的声场控制方法,在理想环境中可取得良好的区域声压差、重放误差抑制与多目标折中效果,但当其应用于车辆座舱这类复杂边界约束空间时,性能会因混响而显著下降。尤其在真实车辆运行中,车窗开启会改变腔体边界条件,使扬声器至控制点之间的声传递函数(ATFs)发生动态变化;与此同时,车辆行驶过程中的风致噪声又会以宽频背景噪声形式进入座舱,并随速度与开窗状态改变频谱结构。上述双重因素共同导致自由场优化得到的声分区控制结果与实际工况失配,也使传统方法难以同时兼顾区域隔离与系统鲁棒性。因此,开展面向非封闭车辆腔体、适应动态混响与风致噪声的声分区调制研究,具有明确的理论价值与工程意义。
围绕这一问题,研究人员构建了一套面向动态车窗开启状态的声分区调制框架。该框架首先从声传播机理出发,分析非封闭车辆腔体在不同车窗开启条件下的混响传播特征,并进一步将风致噪声作为干扰变量纳入系统建模。针对逐点测量ATFs工作量巨大、有限元高频建模代价高且动态工况重复计算成本高的问题,论文引入物理信息神经网络(PINN,physics-informed neural network)预测框架,以实现不同边界状态下ATFs的快速推断。在此基础上,研究人员并未停留于单纯的ATFs替代建模,而是进一步提出针对声学屏蔽区的定向补偿策略,即利用背景风噪的声掩蔽效应,对目标区域与屏蔽区域中的预期幅值进行有针对性的分配和调制,从而在保持听音区可感知质量的同时,更高效地维持区域间声学隐私。系统验证结果表明,该方法能够在低频及全频范围内实现稳定的ATFs预测精度,且可在非封闭车辆环境中有效支持声分区调制。论文的重要意义在于推动声分区研究由静态、封闭、自由场范式,进一步转向动态、开放、面向实际交通工况的环境自适应范式,并为车载个性化音频系统的工程落地提供了新路径。
作者开展研究所采用的主要关键技术方法可概括如下:首先,基于有限元分析与实验测量相结合的方法,建立非封闭车辆腔体在不同车窗开启状态下的混响声传播表征体系;其次,设置内部加速度激励、外部压力激励及二者耦合激励三类工况,用于分别模拟扬声器驱动、风致噪声传入及其联合作用;再次,利用物理信息神经网络(PINN)对动态边界条件下的ATFs进行预测,预训练仿真数据在单一开窗条件下约为600,000个样本,并结合实测数据进行验证;最后,在ATFs预测基础上构建面向干扰变量的定向补偿声分区控制策略,并通过ATFs实测、混响传播分析和风洞试验进行系统评估。
在研究结果方面,论文按照主体结构逐步展开,形成了较为完整的证据链。
Modeling and experimental methodology of reverberant sound propagation
该部分首先从声分区的基本原理切入,指出其本质是基于声传递函数(ATFs)求解扬声器驱动信号,以在不同空间区域重建彼此独立的声场。研究人员强调,自由场条件下建立的重放性能并不能直接迁移至车辆舱内这类实际混响环境,因此需要首先厘清非封闭车辆腔体中的声传播规律。由此,本部分建立了面向动态混响环境的建模与实验方法学基础,为后续ATFs预测与控制策略设计提供参数依据和验证基准。
Sound propagation under dynamic reverberation and wind-induced noise
在已建立的方法学基础上,研究人员进一步设置三种激励情形:其一为内部加速度激励,用以模拟扬声器工作;其二为外部压力激励,用以模拟风致噪声的传入;其三为两者同时存在的联合激励。通过这一路径,论文系统分析了动态混响与风致噪声共同作用下的舱内声传播特征,并揭示了车窗开启状态变化会同时改变舱内声学边界条件和背景干扰环境。该部分结果为后续提出“定向补偿”而非传统固定控制策略提供了物理依据,即在非封闭工况中,控制系统不仅要追踪ATFs变化,还需考虑背景噪声对实际听感与隔离目标的影响。
Sound zoning modulation with physics-informed prediction and compensation
这一部分构成全文方法创新的核心。研究人员指出,车载声分区在开放车窗工况下受到两类关键限制:一是动态混响导致ATFs改变,使既有控制滤波器失效;二是风致噪声构成强背景干扰,进一步削弱声场重建效果。为解决前者,论文引入PINN框架对不同车窗状态下的ATFs进行高效预测,避免在每一工况下重复开展大规模数值仿真或逐点声学测量。为应对后者,研究人员提出面向声学屏蔽区的预期幅值定制分配策略,在预测ATFs支撑下实施定向补偿。该策略的关键并非简单提高某一区域能量,而是在结合背景噪声掩蔽作用的前提下,更精细地调节目标区与屏蔽区的控制目标,从而实现适配非封闭车辆腔体的声分区调制。
Experimental validation of sound zoning with targeted compensation
针对所提框架的有效性,研究人员进行了系统验证。论文指出,若基于PINN的声传播预测与仿真结果偏差较小,则可为后续声分区调制奠定可靠基础。验证过程中,研究人员以大规模仿真数据进行预训练,并结合实测ATFs对预测准确性加以检验;同时,通过风洞试验引入与真实车辆运行更相关的风致噪声情境,进一步考察控制策略在非封闭工况下的适用性。结果显示,所提方法的均方根误差低于2 dB,在低频范围内预测误差低于1 dB,并在全频段保持一致性表现。这说明PINN框架能够较准确地捕捉动态边界下的ATFs变化,而定向补偿策略则能够在实际干扰存在时继续维持区域间的声学隐私。
Insights and discussion
讨论部分在总结方法有效性的同时,进一步提炼了系统的工程导向价值。研究人员认为,针对动态混响和风致噪声的定向补偿,使得非封闭车辆腔体中的声分区调制得以真正实现。其功能主要体现在两个方面:其一,能够在车窗开启条件下准确预测ATFs;其二,能够利用背景噪声的声掩蔽效应,更高效地实施声场分区控制。与传统依赖静态测量或固定自由场模型的方法相比,该体系在计算和测量成本上具有明显优势,说明环境自适应声场控制在车载应用中具有较强可行性。同时,讨论部分也表明,该研究是将理论声场控制推向真实交通工况的重要一步,体现出人工智能建模与工程声学融合的应用前景。
从全文结果综合来看,论文完成了从传播机理分析、动态ATFs预测到控制补偿实施和实验验证的完整闭环。研究结论并非停留在“可预测”层面,而是进一步证明:只要能够较准确地估计动态边界条件下的ATFs,并将风致噪声作为可利用而非仅需抑制的背景变量纳入设计,就可以在非封闭车辆环境中维持有效声分区。这一认识对车载个性化音频、舱内听觉隐私保护及复杂边界声场控制都具有重要启示。
对讨论部分的总结可概括为:该研究通过将动态混响建模、PINN预测与背景噪声掩蔽导向的定向补偿相结合,构建了适用于开放车窗车辆环境的声分区调制路径。其工程意义在于降低传统方法对大量重复仿真和逐点测量的依赖,并在真实干扰存在时仍保持声学隔离性能。该工作显示,未来车载声场控制不应局限于封闭、静态假设,而应更加重视动态边界、环境噪声与智能预测模型之间的耦合设计。
研究结论部分可译为:本研究系统性地解决了在非封闭车辆腔体内实施鲁棒声分区的工程挑战,在该场景中,车窗操作会引发动态混响环境并同时伴随风致噪声。研究构建了一种集成框架,通过三项关键贡献突破了传统自由场范式:其一,严格量化了动态混响与风噪条件下非封闭车辆腔体内的声传播特性;其二,建立了适用于动态工况的物理信息神经网络(PINN)框架,用于高效预测声传递函数(ATFs);其三,提出了针对干扰变量的定向补偿声分区调制策略。综合结果表明,该方法不仅能够在不同区域之间维持声学隐私,还能够显著降低计算与测量成本,为运行状态下交通工具中的高效声学调制提供了改进策略。