基于声景预测模型的建筑设计方法

基于声景预测模型的建筑设计方法

目前，声音理论在城市的不同空间中得到了广泛应用，包括声音、社会学、建筑、城市规划和环境科学，这为城市声音研究从定性到定量、从基础到应用提供了一个广阔的研究舞台。然而,现有的评价结果多局限于分析和改善已有的空间环境。为了更好地发挥声景研究的指导性作用,还须对未建成空间进行声景预测,并根据预测结果调整设计策略。地下商业街属于典型的城市商业和交往空间,也是近年来各个大中城市建设项目的重点。建立地下商业街声景预测模型,不仅可以改善其声环境,而且对城市其他空间也具有重要的借鉴意义。本文以地下商业街为例,探讨了基于人工神经网络(ArtificialNeuralNetwork,ANN)的声景预测方法。首先概述人工神经网络模型的基本原理,其次给出数据测量和分析方法,讨论人工神经网络声景预测模型的建立过程,最后结合地下商业街调研数据,对一个新建地下商业街声景预测进行了实例分析。一人工神经网络学习算法声景预测方法主要分为两类,一类是基于人工方法,如序列逻辑回归模型等。其中,由于人工神经网络具有高稳定性、收敛性和容错性,因此能更准确有效地进行声景预测工作。智能的预测方法,主要包括向量机、贝叶斯网络和人工神经网络等;另一类是基于统计学计算的预测人工神经网络由美国心理学家麦卡洛克(W.S.McCulloch)和数理逻辑学家皮茨(W.Pitts)在1943年提出的神经生物学模型演变而来,在不断完善的过程中,又加入了Hebb规则、感知机模型、BSB模型、BP理论等,为神经网络学习算法奠定了基础。目前,人工神经网络已经趋于成熟,仅在MATLAB平台下,就有30多种基于不同算法的人工神经网络。在建筑工程方面,人工神经网络已被广泛应用于预测房屋震害、工程造价、城市密度、建筑容积率计算等研究领域;在声环境方面,人工神经网络可以预测交通噪声、混响时间等声学指标。余磊和康健曾利用人工神经网络建立了英国城市广场的声景预测模型,准确率可达70%以上。不同于以往的理论推导公式,人工神经网络的特点是通过分析和归纳大量已有的评价数据,总结出研究对象与影响因素之间的关系,并由这些“关系”预测未知结果。例如欲利用人工神经网络预测地下商业街的声景,则需要事先经过大量的调研和测量,掌握地下商业街声景评价的影响因素。人工神经网络会通过计算来分析这些因素对声景评价的影响。对于一个新建的地下商业街而言,只须给出这些影响因素,即可预测出声景的给人的感受。人工神经网络由输入层(Inputlayer)、隐藏层(Hiddenlayer)和输出层(Outputlayer)三个部分组成(图1)。其工作原理为:通过输入层导入基础数据,在隐藏层中进行数据训练,由输出层导出计算结果。以声景预测为例,网络会把计算出的预测结果与声景的实际评价结果相比较。如果数据出入较大,则分配权重,重新计算,直到预测与实测结果达到最佳拟合度为止。二人工神经网络声景预测模型构建声景评价的作用是衡量人对声音的主观感受,主要包括主观响度、声舒适度、声喜好等几个方面。这些主观感受及相关空间环境指标等信息需要通过主观调查和客观测量来采集。在建立人工神经网络声景预测模型之前,还需要分析这些数据与声景的关联程度,将不相关的数据剔除。因此,本节以地下商业街为例,探讨了声景预测模型的数据采集和分析过程(图2)。1评价问卷的设计及调查采集声景评价数据,必须选择具有典型性的调查地点。哈尔滨市是拥有地下商业街最多最全的城市之一,这些地下商业街多由地下防空掩体改造而成,历史悠久、造型独特,已经成为哈尔滨市别具一格的旅游和购物场所(图3)。因此,本研究在哈尔滨市选取了三条典型的街道型地下商业街和两条典型的广场型地下商业街作为采样地点(表1)。声景主观调查的目的是研究影响因素与声景主观感受的关系。为了保证调查的真实可靠和行之有效,具体过程可分为以下几个步骤:①问卷设计:首先根据经验提出一些可能影响声环境评价的因素,作为暂定的研究内容;其次采用结构访谈和无结构访谈相结合的形式对声景的研究内容进行补充,提出问卷题目的设计方案;最后完成主观响度和声舒适度的量表、使用者特征量表和环境调查量表设计。②信度与效度分析:信度即可靠性,它指的是采用同样的方法对同一对象重复进行测量时,其所得结果相一致的程度。换言之,信度是指测量结果的一致性和稳定性;效度也称作测量的有效度或准确度。它是指测量工具或测量手段能够准确测出所要测量的变量的程度,或者说能够准确、真实地度量事物属性的程度。通过信度和效度的检验可以确保问卷的科学有效。③正式调查:以地下商业街为例,调查以实地发放问卷的形式进行,从2007年冬季到2008年秋季分四个季度开展,在哈尔滨五条典型的地下商业街共发放了2800余份问卷,每条地下商业街回收有效样本400～600份。表1分别给出了关于这五条地下街的经营项目、使用者听到的主要声音及调查样本量的相关数据。调查结果通过SPSS14.0软件录入并进行分析。除了主观感受外,声景评价结果还受某些客观物理指标的影响,如声压级、混响时间、温湿度和照度等,因此需要对这些客观指标进行科学测量。以声压级为例,在每份调查问卷结束之后,应立刻在调查地点用声级计记录A声级数据,并保证测量位置离墙面和其他主要反射面不小于1m,距地面1.2～1.5m,每3～5s记录一次,每个测量点连续记录100个瞬时A声级数据,最终取平均值为测量点的A声级。2声景关系影响因素的重视与人工神经网络模型无关的输入数据会影响预测结果,因此,在输入网络之前,需要分析整理出声音、使用者、空间和环境等影响因素与声景的关联程度。本文以声舒适度为例,分析了各因素对声舒适度的影响(表2)。其中,对声舒适度影响较弱的因素,如使用者性别等,不纳入神经网络计算。由于某些因素与声景不呈简单的线性相关,因此为了使神经网络得出更准确的结果,还需要进一步通过回归分析等统计学方法,检验各个影响因子的变化规律,确保某些重要的影响因素不被遗漏。三训练次数对声景预测的影响经过数据分析可以看出,声景评价的影响因素包括声音因素、使用者因素、空间因素和环境因素等,这些因素都可作为声景预测模型的输入因子(表2)。声景评价结果,如主观响度、声舒适度和声喜好,构为声景预测模型的输出因子。人工神经网络模型可以通过编写神经元模型程序自行建立,亦可借助现有的计算平台建立。目前,在已有的计算平台中,MATLAB平台的神经元模型较为完善,可以既方便又准确地进行声景预测。在声景预测过程中,还需要调整人工神经网络的参数,以保证预测模型的准确性(图2)。本节主要从人工神经网络运行的机理入手,探讨网络的训练次数、隐藏层设计、函数选择和模型验证等过程。人工神经网络需要通过多次训练才能达到最佳的效果。其中训练次数指人工神经网络的运算次数,即通过多次运算来确定声景的影响因素(输入变量)与声景的评价结果(输入变量)之间的拟合程度。增加网络的训练次数虽可减少网络的训练误差,但会延长网络的训练时间。为了确定合适的训练次数对网络预测效果的影响,以秋林地下商业街声景预测为例,分别指定训练100次、200次、300次、500次、1000次和5000次,计算出预测模型的准确率在0.38至0.68之间,最后的结果表明500次训练次数的收敛效果比较合适(表3)。值得注意的是,训练次数为1000次以上时,神经网络出现了“过拟合”现象,导致预测的准确率降低。解决“过拟合”的方法将在下文的模型检验一节中论述。声景预测模型隐藏层的数量一般为1层或2层。模型结构复杂程度取决于输入与输出函数关系的复杂性,以及用于模型训练的样本数量。因此隐藏层设置的基本原则是在满足精度要求的前提下选取尽可能紧凑的结构和较少的隐藏层节点数。以秋林地下商业街声景预测为例,选取1层隐藏层,隐藏节点数分别为5次、10次、15次、20次、25次和30次,计算出预测模型的准确率在0.55-0.68之间,结果表明隐藏层节点选择25个为宜(表3)。人工神经网络的函数主要包括传递函数(TransferFunction)、训练函数(TrainFunction)和学习函数(LearnFunction)。在MATLAB平台下,这些函数有多种相对固定的选择方式。在声景预测中,只须检验不同的组合方式,达到最佳的预测效果即可。在人工神经网络的声景预测中,有可能会出现“过拟合”的现象,即由于网络计算过度导致模型对已有声景评价结果的拟合较好,但是模型本身的自由度降低,对声景的预测能力反而减弱。为了避免出现这种情况,在声景预测模型中要进行模型的过拟合检验。在过以合检验中,一般采用交叉验证(crosstest的方法,数据一般被平均分为10组,随机采用其中8组作为输入数据,1组作为检验数据,1组作为预测数据,并不断重复检验,如果模型的检验误差始终大于模型的预测误差,那么就代表没有出现“过拟合”现象。四声景预测模型对于不同使用者声满基础的影响在第三节中建立的人工神经网络预测模型,可以用来预测未建成地下商业街中使用者的声景感受。本节以哈尔滨市正在规划的一条地下商业街为例(图4),利用训练好的预测模型给出不同使用者状况下主观声舒适度的预测结果。在商业街设计方案一中,A区拟作为电子游戏区,B区为商业空间(其中左侧部分区域集中布置设备用房),C区为休息区,D区为餐饮空间(图4a)。参考已调研的地下商业街,将声音、使用者、空间和环境等影响因素作为输入变量,声舒适度作为输出变量。其中不考虑相邻空间的相互影响,声舒适度采用5级评价量表,即5为“很舒适”,4为“舒适”,3为“一般”,2为“不舒适”,1为“很不舒适”。声景预测结果表明,在同一空间环境内,不同职业的使用者对于声环境的感受不同。工人对于商业区的声环境评价较高,而农民和军人则认为餐饮区的声环境更佳(图5a)。这可能是由于不同的工作环境导致使用者的声喜好存在差异,因此在为特定人群设计商业空间时,需要针对其声喜好有所侧重。不同年龄段人群对不同区域声舒适度的感受差异也较为显著。年龄小于18岁的人对电子游戏区的声舒适度评价较高,为3.8;而年龄大于65岁的人在电子游戏区的声舒适度较低,仅为1.4;25-34岁年龄段的人在商业区的声舒适度为3.8,而小于18岁、大于65岁两个年龄段的人则为3.2(图5b)。在学历方面,随着受教育程度的提高,使用者的声环境感受也不同。小学学历的人对声环境的总体满意度差别不大,在3.2到3.4之间;而大学学历的人在不同区域内的声舒适差异较为显著,在1.8(电子游戏区)到3.4(商业区)之间(图5c)。这表明使用者学历越高,对不同空间的声舒适度感受的差异性越大。另外,随着收入的增加,使用者在各个区的声舒适度均有不同程度的下降,这可能是由于高收入群体的生活环境水平较高,因此对声舒适度的要求也随之提高(图5d)。这个结果也表明不同档次的商场对于声环境的需求不同,因此可以按照商场的档次有针对性地设计声环境。以上预测结果表明,设计师可以借助声景预测模型清晰地了解不同使用者在空间环境内的真实感受。声景预测模型不仅能为建筑师、规划师和工程师提供设计参考,而且可以辅助他们进行设计。如建筑师想知道如何设计背景音乐可以让商业空间的声舒适度更好,只需将不同大小的背景音乐声输入预测模型。从预测结果可以看出,当背景音乐声很强时,商业空间的声舒适度为4.2;而当背景音乐声逐渐减弱至没有时,商业空间的声舒适度则降低到1.8(图6a)。另外,建筑师普遍关心的是在不同的设计方案对比下,预知使用者的声舒适感受,因此声景预测模型也可起到辅助设计的作用。例如某设计师为提高商业空间的使用面积,提出了商业街的设计方案二(图4b)。在这个方案中,设计师将设备用房集中布置在电子游戏区,并把休息区与餐饮区合并。从预测效果可以看出,在不同背景音乐声的作用下,声舒适度较原方案均提高了10%～15%,电子游戏区和餐饮区的声舒适度也并未降低,因此这个方案在声景评价方面比原方案更好(图6b)。以上分析结果表明,基于人工神经网络技术的声景预测模型可以辅助设计师灵活地调整空间环境,达到最佳的设计效果。五人工神经网络预测模型的特点本文以地下商业街为例,探讨了基于人工神经网络技术声景预测的理论、方法和实现过程。通过研究表明,人工神经网络声景预测模型具有以下特点:第一,科学合理。科学的数据采集、分析方法和模型的构建