【FastCAE-Acoustics案例分享】舱室隔声性能分析

案例背景

在船舶进行减振降噪处理时,大量使用粘弹性阻尼材料,将阻尼材料或者阻尼层直接添加在基材的表面,称为自由阻尼。自由阻尼结构其原理主要是阻尼材料随着基材振动而发生拉伸变形,从而起到减振的作用。
对于声学包的降噪效果则是根据声学包的隔声量(TL)大小来评估。隔声量是用来衡量一个构件一侧入射声功率级与另一侧的透射声功率级的差值的一个参数。隔声量可以有效直观地反映构件的隔声降噪能力。
本文依托于FastCAE团队开发的FastCAE-Acoustics声振耦合分析软件,针对不采取减噪措施和采用自由阻尼的两种结构进行隔声量分析。


模型建立

2.1工况介绍

在舱壁厚度一定的条件下,建立两个舱室的SEA模型,定义板结构尺寸为5×5m,厚度为0.001m,如图1所示,其中左边是声源室,右边是受声室。中间为一块使用粘弹性阻尼材料的粘接复合板,复合板金属层材料选用的是钢板,阻尼层选用的材料为橡胶板,两种材料的属性如下。选取 31.5~8000 Hz 之间的9 个倍频程作为主要的分析频带。

图1 隔声量计算模型

Steel

密度:7800kg· m^{-3}

弹性模量:2.1×&n

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FastCAE2022

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值