基于聲景預測模型的建筑設計方法

基于聲景預測模型的建筑設計方法

目前，聲音理論在城市的不同空間中得到了廣泛應用，包括聲音、社會學、建筑、城市規(guī)劃和環(huán)境科學，這為城市聲音研究從定性到定量、從基礎到應用提供了一個廣闊的研究舞臺。然而,現(xiàn)有的評價結果多局限于分析和改善已有的空間環(huán)境。為了更好地發(fā)揮聲景研究的指導性作用,還須對未建成空間進行聲景預測,并根據(jù)預測結果調整設計策略。地下商業(yè)街屬于典型的城市商業(yè)和交往空間,也是近年來各個大中城市建設項目的重點。建立地下商業(yè)街聲景預測模型,不僅可以改善其聲環(huán)境,而且對城市其他空間也具有重要的借鑒意義。本文以地下商業(yè)街為例,探討了基于人工神經網絡(ArtificialNeuralNetwork,ANN)的聲景預測方法。首先概述人工神經網絡模型的基本原理,其次給出數(shù)據(jù)測量和分析方法,討論人工神經網絡聲景預測模型的建立過程,最后結合地下商業(yè)街調研數(shù)據(jù),對一個新建地下商業(yè)街聲景預測進行了實例分析。一人工神經網絡學習算法聲景預測方法主要分為兩類,一類是基于人工方法,如序列邏輯回歸模型等。其中,由于人工神經網絡具有高穩(wěn)定性、收斂性和容錯性,因此能更準確有效地進行聲景預測工作。智能的預測方法,主要包括向量機、貝葉斯網絡和人工神經網絡等;另一類是基于統(tǒng)計學計算的預測人工神經網絡由美國心理學家麥卡洛克(W.S.McCulloch)和數(shù)理邏輯學家皮茨(W.Pitts)在1943年提出的神經生物學模型演變而來,在不斷完善的過程中,又加入了Hebb規(guī)則、感知機模型、BSB模型、BP理論等,為神經網絡學習算法奠定了基礎。目前,人工神經網絡已經趨于成熟,僅在MATLAB平臺下,就有30多種基于不同算法的人工神經網絡。在建筑工程方面,人工神經網絡已被廣泛應用于預測房屋震害、工程造價、城市密度、建筑容積率計算等研究領域;在聲環(huán)境方面,人工神經網絡可以預測交通噪聲、混響時間等聲學指標。余磊和康健曾利用人工神經網絡建立了英國城市廣場的聲景預測模型,準確率可達70%以上。不同于以往的理論推導公式,人工神經網絡的特點是通過分析和歸納大量已有的評價數(shù)據(jù),總結出研究對象與影響因素之間的關系,并由這些“關系”預測未知結果。例如欲利用人工神經網絡預測地下商業(yè)街的聲景,則需要事先經過大量的調研和測量,掌握地下商業(yè)街聲景評價的影響因素。人工神經網絡會通過計算來分析這些因素對聲景評價的影響。對于一個新建的地下商業(yè)街而言,只須給出這些影響因素,即可預測出聲景的給人的感受。人工神經網絡由輸入層(Inputlayer)、隱藏層(Hiddenlayer)和輸出層(Outputlayer)三個部分組成(圖1)。其工作原理為:通過輸入層導入基礎數(shù)據(jù),在隱藏層中進行數(shù)據(jù)訓練,由輸出層導出計算結果。以聲景預測為例,網絡會把計算出的預測結果與聲景的實際評價結果相比較。如果數(shù)據(jù)出入較大,則分配權重,重新計算,直到預測與實測結果達到最佳擬合度為止。二人工神經網絡聲景預測模型構建聲景評價的作用是衡量人對聲音的主觀感受,主要包括主觀響度、聲舒適度、聲喜好等幾個方面。這些主觀感受及相關空間環(huán)境指標等信息需要通過主觀調查和客觀測量來采集。在建立人工神經網絡聲景預測模型之前,還需要分析這些數(shù)據(jù)與聲景的關聯(lián)程度,將不相關的數(shù)據(jù)剔除。因此,本節(jié)以地下商業(yè)街為例,探討了聲景預測模型的數(shù)據(jù)采集和分析過程(圖2)。1評價問卷的設計及調查采集聲景評價數(shù)據(jù),必須選擇具有典型性的調查地點。哈爾濱市是擁有地下商業(yè)街最多最全的城市之一,這些地下商業(yè)街多由地下防空掩體改造而成,歷史悠久、造型獨特,已經成為哈爾濱市別具一格的旅游和購物場所(圖3)。因此,本研究在哈爾濱市選取了三條典型的街道型地下商業(yè)街和兩條典型的廣場型地下商業(yè)街作為采樣地點(表1)。聲景主觀調查的目的是研究影響因素與聲景主觀感受的關系。為了保證調查的真實可靠和行之有效,具體過程可分為以下幾個步驟:①問卷設計:首先根據(jù)經驗提出一些可能影響聲環(huán)境評價的因素,作為暫定的研究內容;其次采用結構訪談和無結構訪談相結合的形式對聲景的研究內容進行補充,提出問卷題目的設計方案;最后完成主觀響度和聲舒適度的量表、使用者特征量表和環(huán)境調查量表設計。②信度與效度分析:信度即可靠性,它指的是采用同樣的方法對同一對象重復進行測量時,其所得結果相一致的程度。換言之,信度是指測量結果的一致性和穩(wěn)定性;效度也稱作測量的有效度或準確度。它是指測量工具或測量手段能夠準確測出所要測量的變量的程度,或者說能夠準確、真實地度量事物屬性的程度。通過信度和效度的檢驗可以確保問卷的科學有效。③正式調查:以地下商業(yè)街為例,調查以實地發(fā)放問卷的形式進行,從2007年冬季到2008年秋季分四個季度開展,在哈爾濱五條典型的地下商業(yè)街共發(fā)放了2800余份問卷,每條地下商業(yè)街回收有效樣本400～600份。表1分別給出了關于這五條地下街的經營項目、使用者聽到的主要聲音及調查樣本量的相關數(shù)據(jù)。調查結果通過SPSS14.0軟件錄入并進行分析。除了主觀感受外,聲景評價結果還受某些客觀物理指標的影響,如聲壓級、混響時間、溫濕度和照度等,因此需要對這些客觀指標進行科學測量。以聲壓級為例,在每份調查問卷結束之后,應立刻在調查地點用聲級計記錄A聲級數(shù)據(jù),并保證測量位置離墻面和其他主要反射面不小于1m,距地面1.2～1.5m,每3～5s記錄一次,每個測量點連續(xù)記錄100個瞬時A聲級數(shù)據(jù),最終取平均值為測量點的A聲級。2聲景關系影響因素的重視與人工神經網絡模型無關的輸入數(shù)據(jù)會影響預測結果,因此,在輸入網絡之前,需要分析整理出聲音、使用者、空間和環(huán)境等影響因素與聲景的關聯(lián)程度。本文以聲舒適度為例,分析了各因素對聲舒適度的影響(表2)。其中,對聲舒適度影響較弱的因素,如使用者性別等,不納入神經網絡計算。由于某些因素與聲景不呈簡單的線性相關,因此為了使神經網絡得出更準確的結果,還需要進一步通過回歸分析等統(tǒng)計學方法,檢驗各個影響因子的變化規(guī)律,確保某些重要的影響因素不被遺漏。三訓練次數(shù)對聲景預測的影響經過數(shù)據(jù)分析可以看出,聲景評價的影響因素包括聲音因素、使用者因素、空間因素和環(huán)境因素等,這些因素都可作為聲景預測模型的輸入因子(表2)。聲景評價結果,如主觀響度、聲舒適度和聲喜好,構為聲景預測模型的輸出因子。人工神經網絡模型可以通過編寫神經元模型程序自行建立,亦可借助現(xiàn)有的計算平臺建立。目前,在已有的計算平臺中,MATLAB平臺的神經元模型較為完善,可以既方便又準確地進行聲景預測。在聲景預測過程中,還需要調整人工神經網絡的參數(shù),以保證預測模型的準確性(圖2)。本節(jié)主要從人工神經網絡運行的機理入手,探討網絡的訓練次數(shù)、隱藏層設計、函數(shù)選擇和模型驗證等過程。人工神經網絡需要通過多次訓練才能達到最佳的效果。其中訓練次數(shù)指人工神經網絡的運算次數(shù),即通過多次運算來確定聲景的影響因素(輸入變量)與聲景的評價結果(輸入變量)之間的擬合程度。增加網絡的訓練次數(shù)雖可減少網絡的訓練誤差,但會延長網絡的訓練時間。為了確定合適的訓練次數(shù)對網絡預測效果的影響,以秋林地下商業(yè)街聲景預測為例,分別指定訓練100次、200次、300次、500次、1000次和5000次,計算出預測模型的準確率在0.38至0.68之間,最后的結果表明500次訓練次數(shù)的收斂效果比較合適(表3)。值得注意的是,訓練次數(shù)為1000次以上時,神經網絡出現(xiàn)了“過擬合”現(xiàn)象,導致預測的準確率降低。解決“過擬合”的方法將在下文的模型檢驗一節(jié)中論述。聲景預測模型隱藏層的數(shù)量一般為1層或2層。模型結構復雜程度取決于輸入與輸出函數(shù)關系的復雜性,以及用于模型訓練的樣本數(shù)量。因此隱藏層設置的基本原則是在滿足精度要求的前提下選取盡可能緊湊的結構和較少的隱藏層節(jié)點數(shù)。以秋林地下商業(yè)街聲景預測為例,選取1層隱藏層,隱藏節(jié)點數(shù)分別為5次、10次、15次、20次、25次和30次,計算出預測模型的準確率在0.55-0.68之間,結果表明隱藏層節(jié)點選擇25個為宜(表3)。人工神經網絡的函數(shù)主要包括傳遞函數(shù)(TransferFunction)、訓練函數(shù)(TrainFunction)和學習函數(shù)(LearnFunction)。在MATLAB平臺下,這些函數(shù)有多種相對固定的選擇方式。在聲景預測中,只須檢驗不同的組合方式,達到最佳的預測效果即可。在人工神經網絡的聲景預測中,有可能會出現(xiàn)“過擬合”的現(xiàn)象,即由于網絡計算過度導致模型對已有聲景評價結果的擬合較好,但是模型本身的自由度降低,對聲景的預測能力反而減弱。為了避免出現(xiàn)這種情況,在聲景預測模型中要進行模型的過擬合檢驗。在過以合檢驗中,一般采用交叉驗證(crosstest的方法,數(shù)據(jù)一般被平均分為10組,隨機采用其中8組作為輸入數(shù)據(jù),1組作為檢驗數(shù)據(jù),1組作為預測數(shù)據(jù),并不斷重復檢驗,如果模型的檢驗誤差始終大于模型的預測誤差,那么就代表沒有出現(xiàn)“過擬合”現(xiàn)象。四聲景預測模型對于不同使用者聲滿基礎的影響在第三節(jié)中建立的人工神經網絡預測模型,可以用來預測未建成地下商業(yè)街中使用者的聲景感受。本節(jié)以哈爾濱市正在規(guī)劃的一條地下商業(yè)街為例(圖4),利用訓練好的預測模型給出不同使用者狀況下主觀聲舒適度的預測結果。在商業(yè)街設計方案一中,A區(qū)擬作為電子游戲區(qū),B區(qū)為商業(yè)空間(其中左側部分區(qū)域集中布置設備用房),C區(qū)為休息區(qū),D區(qū)為餐飲空間(圖4a)。參考已調研的地下商業(yè)街,將聲音、使用者、空間和環(huán)境等影響因素作為輸入變量,聲舒適度作為輸出變量。其中不考慮相鄰空間的相互影響,聲舒適度采用5級評價量表,即5為“很舒適”,4為“舒適”,3為“一般”,2為“不舒適”,1為“很不舒適”。聲景預測結果表明,在同一空間環(huán)境內,不同職業(yè)的使用者對于聲環(huán)境的感受不同。工人對于商業(yè)區(qū)的聲環(huán)境評價較高,而農民和軍人則認為餐飲區(qū)的聲環(huán)境更佳(圖5a)。這可能是由于不同的工作環(huán)境導致使用者的聲喜好存在差異,因此在為特定人群設計商業(yè)空間時,需要針對其聲喜好有所側重。不同年齡段人群對不同區(qū)域聲舒適度的感受差異也較為顯著。年齡小于18歲的人對電子游戲區(qū)的聲舒適度評價較高,為3.8;而年齡大于65歲的人在電子游戲區(qū)的聲舒適度較低,僅為1.4;25-34歲年齡段的人在商業(yè)區(qū)的聲舒適度為3.8,而小于18歲、大于65歲兩個年齡段的人則為3.2(圖5b)。在學歷方面,隨著受教育程度的提高,使用者的聲環(huán)境感受也不同。小學學歷的人對聲環(huán)境的總體滿意度差別不大,在3.2到3.4之間;而大學學歷的人在不同區(qū)域內的聲舒適差異較為顯著,在1.8(電子游戲區(qū))到3.4(商業(yè)區(qū))之間(圖5c)。這表明使用者學歷越高,對不同空間的聲舒適度感受的差異性越大。另外,隨著收入的增加,使用者在各個區(qū)的聲舒適度均有不同程度的下降,這可能是由于高收入群體的生活環(huán)境水平較高,因此對聲舒適度的要求也隨之提高(圖5d)。這個結果也表明不同檔次的商場對于聲環(huán)境的需求不同,因此可以按照商場的檔次有針對性地設計聲環(huán)境。以上預測結果表明,設計師可以借助聲景預測模型清晰地了解不同使用者在空間環(huán)境內的真實感受。聲景預測模型不僅能為建筑師、規(guī)劃師和工程師提供設計參考,而且可以輔助他們進行設計。如建筑師想知道如何設計背景音樂可以讓商業(yè)空間的聲舒適度更好,只需將不同大小的背景音樂聲輸入預測模型。從預測結果可以看出,當背景音樂聲很強時,商業(yè)空間的聲舒適度為4.2;而當背景音樂聲逐漸減弱至沒有時,商業(yè)空間的聲舒適度則降低到1.8(圖6a)。另外,建筑師普遍關心的是在不同的設計方案對比下,預知使用者的聲舒適感受,因此聲景預測模型也可起到輔助設計的作用。例如某設計師為提高商業(yè)空間的使用面積,提出了商業(yè)街的設計方案二(圖4b)。在這個方案中,設計師將設備用房集中布置在電子游戲區(qū),并把休息區(qū)與餐飲區(qū)合并。從預測效果可以看出,在不同背景音樂聲的作用下,聲舒適度較原方案均提高了10%～15%,電子游戲區(qū)和餐飲區(qū)的聲舒適度也并未降低,因此這個方案在聲景評價方面比原方案更好(圖6b)。以上分析結果表明,基于人工神經網絡技術的聲景預測模型可以輔助設計師靈活地調整空間環(huán)境,達到最佳的設計效果。五人工神經網絡預測模型的特點本文以地下商業(yè)街為例,探討了基于人工神經網絡技術聲景預測的理論、方法和實現(xiàn)過程。通過研究表明,人工神經網絡聲景預測模型具有以下特點:第一,科學合理?？茖W的數(shù)據(jù)采集、分析方法和模型的構建