La Predicción de Aislamiento Acústico para la Pared Frontal de Vehículos Eléctricos Puros Basada en AFWL-CNN
Autores: Ma, Yan; Yan, Jie; Deng, Jianjiao; Liu, Xiaona; Pan, Dianlong; Wang, Jingjing; Liu, Ping
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
La Predicción de Aislamiento Acústico para la Pared Frontal de Vehículos Eléctricos Puros Basada en AFWL-CNN
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Pared frontal
Sistema de paquete acústico
AFWL-CNN
Precisión de predicción
Método basado en datos
Aislamiento acústico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 15
Citaciones: Sin citaciones
El sistema de paquete acústico de la pared frontal juega un papel crucial en el diseño automotriz, y su rendimiento afecta directamente la calidad y el confort del ruido interior. En respuesta a las limitaciones de los métodos experimentales y de simulación tradicionales en términos de precisión y eficiencia, este documento propone una red neuronal convolucional (AFWL-CNN) basada en el aprendizaje de características ponderadas adaptativas. Utilizando un método basado en datos, se predijo y analizó el rendimiento de aislamiento acústico del sistema de paquete acústico de la pared frontal de todo el vehículo, basándose en los parámetros originales de los componentes del paquete acústico de la pared frontal, evitando así efectivamente las deficiencias de los métodos TPA y CAE tradicionales. En comparación con el modelo CNN tradicional (RMSE = 0.042, MAE = 3.89 dB, I-TIME = 13.67 s), el RMSE del modelo AFWL-CNN propuesto se optimizó a 0.031 (aproximadamente un 26.19% de mejora), el error absoluto medio (MAE) se redujo a 2.84 dB (aproximadamente un 26.99% de mejora), y el tiempo de inferencia (I-TIME) aumentó a 17.16 s (aproximadamente un 25.53% de aumento). Aunque el tiempo de inferencia del modelo AFWL-CNN aumentó en un 25.53% en comparación con el modelo CNN, logró una mejora más significativa en la precisión de la predicción, demostrando un compromiso razonable entre eficiencia y precisión. En comparación con los modelos AFWL-LSTM (RMSE = 0.039, MAE = 3.35 dB, I-TIME = 19.81 s), LSTM (RMSE = 0.044, MAE = 4.07 dB, I-TIME = 16.71 s) y CNN-Transformer (RMSE = 0.040, MAE = 3.74 dB, I-TIME = 19.55 s), el modelo AFWL-CNN demostró la mayor precisión de predicción entre los cinco modelos. Además, el método propuesto fue verificado utilizando los datos del paquete acústico de la pared frontal de un nuevo modelo de automóvil, y los resultados mostraron la efectividad y fiabilidad de este método en la predicción del rendimiento del paquete acústico del sistema de la pared frontal. Este estudio proporciona una herramienta poderosa para la predicción rápida y precisa del rendimiento de los paquetes acústicos frontales automotrices, mejorando significativamente la eficiencia del diseño y proporcionando un marco basado en datos que puede utilizarse para resolver otros problemas de ruido en vehículos.
Descripción
El sistema de paquete acústico de la pared frontal juega un papel crucial en el diseño automotriz, y su rendimiento afecta directamente la calidad y el confort del ruido interior. En respuesta a las limitaciones de los métodos experimentales y de simulación tradicionales en términos de precisión y eficiencia, este documento propone una red neuronal convolucional (AFWL-CNN) basada en el aprendizaje de características ponderadas adaptativas. Utilizando un método basado en datos, se predijo y analizó el rendimiento de aislamiento acústico del sistema de paquete acústico de la pared frontal de todo el vehículo, basándose en los parámetros originales de los componentes del paquete acústico de la pared frontal, evitando así efectivamente las deficiencias de los métodos TPA y CAE tradicionales. En comparación con el modelo CNN tradicional (RMSE = 0.042, MAE = 3.89 dB, I-TIME = 13.67 s), el RMSE del modelo AFWL-CNN propuesto se optimizó a 0.031 (aproximadamente un 26.19% de mejora), el error absoluto medio (MAE) se redujo a 2.84 dB (aproximadamente un 26.99% de mejora), y el tiempo de inferencia (I-TIME) aumentó a 17.16 s (aproximadamente un 25.53% de aumento). Aunque el tiempo de inferencia del modelo AFWL-CNN aumentó en un 25.53% en comparación con el modelo CNN, logró una mejora más significativa en la precisión de la predicción, demostrando un compromiso razonable entre eficiencia y precisión. En comparación con los modelos AFWL-LSTM (RMSE = 0.039, MAE = 3.35 dB, I-TIME = 19.81 s), LSTM (RMSE = 0.044, MAE = 4.07 dB, I-TIME = 16.71 s) y CNN-Transformer (RMSE = 0.040, MAE = 3.74 dB, I-TIME = 19.55 s), el modelo AFWL-CNN demostró la mayor precisión de predicción entre los cinco modelos. Además, el método propuesto fue verificado utilizando los datos del paquete acústico de la pared frontal de un nuevo modelo de automóvil, y los resultados mostraron la efectividad y fiabilidad de este método en la predicción del rendimiento del paquete acústico del sistema de la pared frontal. Este estudio proporciona una herramienta poderosa para la predicción rápida y precisa del rendimiento de los paquetes acústicos frontales automotrices, mejorando significativamente la eficiencia del diseño y proporcionando un marco basado en datos que puede utilizarse para resolver otros problemas de ruido en vehículos.