機場周圍飛機噪聲預測研究綜述

彭笑非, 王博, 葉家全, 蘇剛, 謝蕾

(中國民航局第二研究所空管工程技術研究所, 成都 610041)

隨著中國機場數量逐漸增多、規模逐步擴大、航班起降架次穩步提升,機場噪聲影響了周邊民眾生活品質的提升,成為僅次于空氣污染的第二大環境風險因素[1],也制約著機場規劃建設和地方經濟發展[2]。中國民航大學于2018年對中國民用運輸機場噪聲影響進行統計分析,約有20%的機場噪聲影響較為嚴重[3]。根據中國環境科學研究院所開展的飛機噪聲影響人口數量研究,生活在大于 70 dB 范圍內的人數約占年旅客吞吐量的0.98%[4],按照2021年4.4億人次[5]的吞吐量計算,上述范圍內的人數將突破430萬人。已有研究表明,較高分貝的飛機噪聲除了與睡眠質量惡化直接相關外,還與高血壓、心血管疾病的死亡率增加有關[6]。

為了緩解機場周圍日趨嚴重的噪聲污染問題[7],《中華人民共和國環境噪聲污染防治法》[8]于2022年6月正式施行,要求機場對周圍民用航空器噪聲進行監測,有效開展機場噪聲污染防治工作;《“十四五”民用航空發展規劃》[9]、《“十四五”民航綠色發展專項規劃》[10]等一系列規劃更是對全面提升機場噪聲綜合治理能力[11]提出了新要求。

機場周圍飛機噪聲預測作為開展機場噪聲綜合治理工作的重要基礎,有助于機場掌握噪聲態勢、部署治理措施、評估減噪成效,在推進機場全面綠色轉型[12]的過程中起到了重要作用。如何科學有效地運用技術手段對機場周圍飛機噪聲進行精細化、智能化的預測,受到國內外學者的廣泛關注。國外有關機場周圍飛機噪聲影響的研究在19世紀80年代已經盛行,中國此時還處于起步階段。經過數十年的發展,國內外均形成了一系列研究成果。

為進一步總結研究成果,呈現噪聲預測進展、把握研究趨勢,現首先介紹機場周圍飛機噪聲的定義、評價指標;其次,依據數據源的不同,分別深入介紹基于噪聲-功率-距離(noise-power-distance,NPD)曲線[13-14]的計算方法以及監測數據驅動下的預測方法,列舉噪聲預測應用現狀;最后,梳理兩類方法的共性與差異、總結優勢與不足,通過分析其互補性,揭示兩種方法融合發展的研究趨勢,并在此基礎上提出空地聯合、數字組網的噪聲預測新思路,為進一步推進其融合使用提供參考。

1 噪聲預測基本概念

1.1 定義

航空器在執行起飛、爬升、巡航、下降等飛行活動時,都會給附近區域帶來不同程度的飛機噪聲。飛機噪聲是由一系列不同頻率聲音組成的混合噪聲,具有聲壓級高、低頻(<250 Hz)噪聲大、噪聲源非穩態運動、影響范圍廣、時空間斷性及累加性等特征[15]。

為進一步刻畫航空器飛行活動對周邊區域的噪聲影響情況,相關標準首先定義了具體范圍,“機場周圍”是指由地方人民政府劃定的、受飛機通過(起飛、降落、低空飛越)噪聲影響的區域[16]。

由于機場周圍區域分布較廣,涉及大量的航空器飛行活動區,并且航空器機型復雜且多樣,依托監測設備對每一位置進行測量難度較大、成本高昂,只能選取部分敏感區域進行監測,由于缺乏大量未知區域的監測數據,不利于機場掌握整個噪聲影響態勢。因此,機場周圍飛機噪聲預測需求旺盛,為刻畫航空器飛行活動對周邊區域影響范圍和程度提供有力支撐。該技術旨在機場周邊區域內劃設若干預測點,結合航空器飛行活動情況,采用相應手段輸出目標機型在指定預測點的暴露聲級,基于不同預測點的聲級大小,由點及線地繪制飛機噪聲等值線圖,從而直觀地呈現飛機噪聲的影響范圍和程度。

1.2 評價指標

國際上廣泛使用晝夜等效聲級Ldn作為機場噪聲評價量,該評價量考慮了人們對飛機噪聲的晝夜敏感性差異,將夜間飛機噪聲增加10 dB的補償量后得到的一晝夜等效連續A聲級;選取暴露聲級LAE作為單次飛行事件噪聲預測指標[17],該評價量是指在規定測量時段內或對某一獨立噪聲事件,將其聲音能量等效為1 s 作用時間的A計權聲壓級。

中國采用以噪聲度為基礎的計權等效連續感覺噪聲級LWECPN作為機場噪聲評價量,該評價量采用能量平均的方法,反映了飛機噪聲全天平均每秒對人的作用[18];單次飛行事件噪聲預測指標包括有效感覺噪聲級LEPN(考慮了持續時間和純音修正后的感覺噪聲級)與暴露聲級LAE。

2 噪聲預測典型方法

由于飛機噪聲傳播具有多普勒效應[19],且傳播過程中會受到大氣影響、地面吸收效應,不適用于傳統的交通載具噪聲預測方法。通過對中外文獻進行梳理,根據數據源的不同,現階段機場周圍飛機噪聲的預測方法可歸納為基于NPD曲線計算與監測數據驅動下的噪聲預測。

2.1 基于NPD曲線計算的噪聲預測

基于NPD曲線計算的噪聲預測方法的核心是基于地面預測點到飛行軌跡的最短距離以及最短距離位置處推力、速度等參數,結合NPD曲線插值得出理論噪聲級,再根據實際情況進行修正。經過多年發展,形成了以國內外標準為載體的常規方法與學術研究驅動下的改良方法。

2.1.1 常規方法

為有效緩解機場周圍飛機噪聲預測難等問題,美國汽車工程師協會(society of automotive engineers,SAE)于1986年發布了標準SAE AIR 1845[20],詳細介紹了飛機噪聲預測方法,并于2012年發布修訂后的新標準SAE AIR 1845A[21]。

針對運輸機場或者通用航空機場,以LAE作為單架飛機在預測點上的暴露聲級評價指標,單次飛行事件的噪聲理論計算公式為

LAE=LAE(P,d)+Δv-Λ(β,L)+ΔL+Δφ

(1)

式(1)中:LAE為單架航空器在地面預測點的暴露聲級;LAE(P,d)為發動機的功率P和地面計算點與航線的垂直距離d(斜線距離)在已知的NDP數據基礎上進行插值獲得的聲級;Δv為速度修正因子,Λ(β,L)為側向衰減因子;ΔL為針對在飛機起跑點后面的計算點施加的修正因子;Δφ為轉彎航跡持續時間修正因子。

國際民航組織于1988年發布了標準ICAO Circular 205[22],計算方法與美國SAE AIR 1845類似,之后將其計算方法納入ICAO 9911[23]和附件16-環境保護[24],并沿用至今。歐洲民航會議(European Civil Aviation Conference,ECAC)基于ICAO Circular 205對1987年版標準ECAC Doc 29[25]所涉機場噪聲預測方法進行了修訂,于1997年發布了第二版,并沿用至今。

中國在沿用美國SAE AIR1845計算方法的基礎上,基于中國國情進行了改良,形成了國家標準《機場周圍區域飛機噪聲環境質量標準(征求意見稿)》(以下簡稱國標征求意見稿)、行業標準《民用機場周圍飛機噪聲計算和預測》(以下簡稱民航標準)[26]、《環境影響評價技術導則聲環境》(以下簡稱環評標準)[27]。國內外涉及機場周圍飛機噪聲預測方法的標準詳見圖1。

圖1 國內外涉及機場周圍飛機噪聲預測的標準文件Fig.1 Standards documents for prediction of aircraft noise around airports at home and abroad

通過對比分析,國內外有關噪聲預測的常規方法有共性與差異,見表1。

表1 常規方法的共性與差異Table 1 Common and differences of conventional methods

2.1.2 改良方法

基于NPD曲線的常規計算方法,國內外學者通過大量理論、試驗研究,對常規方法進行突破和改進,形成了一系列最新研究成果。

國內學者主要針對計算體系不夠統一、預測結果不夠直觀、未有效結合航跡特征、新機型應用難度大、噪聲源聲功率預測不夠精準等不足,形成了多種改良方法。

在統一計算體系方面,劉洲等[28]根據飛行航線的幾何特點,于2012年建立了通用地、適合各種機型不同航線的噪聲計算模型,完善了飛機噪聲計算體系。在預測結果可視化方面,劉洲等[29]于2013年將地理信息系統(geographic information system,GIS)技術引入飛機噪聲預測過程中,極大地提升了模型的空間數據處理與分析能力。在結合航跡特征方面,張召悅[30]于2013年建立了一套基于航跡特征的離場飛行程序噪聲預測方法,之后提出了基于航跡分段模型的飛行程序噪聲評估方法,進一步提高了預測效率[31];閆國華等[32]于2018年在分析離場航跡特征的機場上,經過多普勒效應修正、幾何發散衰減修正和大氣吸聲衰減修正,得到起飛時風扇噪聲預測模型。在新機型應用方面,孫慧[33]于2017年建立了適用于噴氣式飛機的邊線噪聲衰減數據庫,為C919等新機型噪聲預測和噪聲適航審定奠定基礎。在噪聲源聲功率預測方面,閆國華等[34]于2020年提出了一種用于發動機核心機適航噪聲的計算框架,提高噪聲源聲功率預測的準確性。

國外學者主要著眼于降低理論計算所需參數的獲取難度、提升參數的準確性。

Pretto等[35]主要克服飛機推力參數難以準確獲取等不足,于2019年提出了網絡數據驅動下的機場周圍飛機噪聲理論預測方法,通過相關網站獲取已公布的機場布局、空域條件、航跡信息、機型參數等數據,然后對數據進行清洗和標準化處理,再利用航跡數據以及飛行程序構建典型飛行事件,從中獲取較為準確的推力信息,并基于NPD曲線計算出噪聲聲級。

為了進一步提升重建的飛行事件與航跡信息的匹配度,減小航空器推力引起的噪聲預測誤差,Pretto等[36]于2022年提出了新的改進方法,進一步考慮有關航班運行、機場天氣、航空器性能參數、機場跑道和地形高程的大量數據,在指定的飛行程序中解鎖合理自由度,使得重建的飛行事件與實際航跡數據相匹配,經過理論計算獲取了更為準確的預測結果。

2.2 監測數據驅動下的噪聲預測

通過在機場周圍布設噪聲監測點,結合航跡數據進行交互分析或者單純挖掘噪聲點數據,能夠有助于探究噪聲傳播及時空分布規律,進而依托已知噪聲監測點預測未知點的飛機噪聲。相關學者展開了大量研究,具體形成了監測點與航跡數據交互預測與監測點數據挖掘預測兩種方法。

2.2.1 監測點與航跡數據交互

監測點與航跡數據交互的噪聲預測方法的原理是基于噪聲監測點的噪聲數據和飛行軌跡信息,結合噪聲傳播機理,由噪聲監測點的聲壓級和飛機位置,反推飛機的聲源聲功率,并由此預測出地面各預測點受飛機影響的聲壓級大小。

從飛機到接收者的噪聲傳播包括通過空氣的直接傳播,在地面、屏障和建筑表面及通過湍流和不均勻大氣的反射、衍射和散射[37]。《環境影響評價技術導則 聲環境》依據《聲學戶外聲傳播衰減第1部分:大氣聲吸收的計算》[38]與《聲學戶外聲傳播衰減第2部分:一般計算方法》[39]規定了移動的或者是固定的戶外點聲源或點聲源組傳播衰減計算方法以及大氣吸收衰減、地面效應衰減等參數具體的計算方法,可以預測已知噪聲源在有利于聲傳播的氣象條件下指定預測點處的聲級,為解析航空器噪聲的傳播機理奠定了基礎。

袁芳[40]在2022年基于上述傳播衰減方法設計出監測點與航跡數據交互的機場周圍飛機噪聲預測方法,如圖2所示。

圖2 交互預測示意圖[40]Fig.2 Schematic diagram of interactive prediction[40]

該方法首先在機場周圍區域布置多個噪聲監測點與廣播式自動相關監視(automatic dependent surveillance-broadcast,ADS-B)地面站[41],實時采集噪聲數據與飛機航跡信息(包含飛機的位置、高度、速度以及時間);然后結合地面監測點接收到的噪聲變化情況、考慮噪聲傳播的延時效應分段構建有效航跡,再整合多段有效航跡形成飛機的有效航跡[42];之后基于戶外點聲源的傳播理論解析噪聲傳播機理,結合噪聲監測點數據和有效航跡信息反推聲源大小并推演地面其他預測點的噪聲暴露聲級。

2.2.2 基于監測數據挖掘

基于監測數據挖掘的飛機噪聲預測方法包括數據采集、數據處理、模型構建3個階段,見圖3。

圖3 噪聲數據挖掘三階段示意圖Fig.3 Three stages of noise data mining

該方法原理是通過在機場周邊布置大量的噪聲監測點[43],采集大批量、長周期的機場周圍飛機噪聲數據,然后對機場周圍飛機噪聲數據進行處理和深入分析,過濾環境噪聲等不正常數據,再通過神經網絡、關聯分析、時間序列等各類智能算法探究監測點噪聲數值及分布規律,建立機場周圍飛機噪聲預測模型。

在噪聲數據采集階段,楊東等[44]、丁偉杰[45]、虞月[46]、金建龍[47]、肖驍[48]構建了機場周圍飛機噪聲感知網絡體系三級架構。首先在機場周邊區域布置大量的噪聲數據感知節點,然后通過ZigBee技術[49]將采集到的噪聲數據匯聚至匯聚節點,再通過移動網絡將噪聲數據由匯聚節點傳輸至中心處理平臺。

在噪聲數據處理階段,王尚北等[50]、溫冬琴等[51-52]、谷飛[53]、尤華[54]廣泛使用時段平均法、滑動平均法等初級濾波算法對噪聲數據進行平滑處理。由于沒有考慮到機場周圍環境噪聲,在一定程度上損失了數據的精度和準確性。陳亙[55]通過模擬實驗探究了環境背景噪聲對飛機噪聲監測結果的影響,為噪聲濾波工作奠定了基礎。丁偉杰[45]根據噪聲序列的短時趨勢對噪聲進行了分類,并充分考慮監測區域內噪聲數據的時空分布特點,設計了改進的粒子濾波算法,實現同步過濾局部環境噪聲與保留航空噪聲的效果。

在噪聲預測階段,近年來各位學者主要通過集成學習、神經網絡、關聯分析、時間序列分析等智能算法構建噪聲預測模型。在集成學習技術方面,謝華等[56]通過對機場噪聲數據進行采樣訓練得到多個預測模型,再對其進行選擇集成,輸出效果更好的預測模型。徐濤等[57]根據距離、功率、速度、風力、溫度、濕度等預測參數的可獲取性,動態構建預測模型,從而在參數缺失的條件下仍可預測出相應噪聲值。在神經網絡技術方面,杜繼濤[15]將推力、高度、直線距離、平均風速等作為學習要素,采用神經網絡對采集到的監測數據進行訓練,針對該機場定制了噪聲預測模型。在關聯分析技術方面,谷飛[53]通過ATNSOA-Apriori算法挖掘多個噪聲監測點之間的數據關聯規則,實現從已知監測點預測其他點位噪聲值的目的。在時間序列技術方面,王尚北[58]結合機場周圍飛機噪聲時空序列的特性,提出基于時空神經網絡的預測模型。在跨技術融合方面,徐濤等[59]提出一種基于快速極限學習機和差分進化算法的機場噪聲一體化預測模型,采用改進的差分進化算法實現對重構參數和模型參數的同步優化選擇,無需人工干預。蘇瀚[60]綜合考慮機場噪聲的主要影響因素,利用空間擬合算法和BP神經網絡算法構建預測模型,使之具有更高的預測精度和更強的泛化能力。徐濤等[61]提出一種基于空間擬合和神經網絡的集成預測模型,通過聯合使用多個基學習器,有效提升預測準確率。

2.3 噪聲預測應用現狀

在掌握基于NPD曲線計算與監測數據驅動的兩大類噪聲預測方法原理的基礎上,各國著眼于預測方法的實際運用,開發了一系列機場周圍飛機噪聲預測軟件與噪聲監控系統,并在機場規劃建設、機場運行、機場運行評價等階段都發揮了重要作用。

在噪聲預測軟件方面,基于NPD曲線的理論計算方法,美國航空管理局(FAA)支持開發了機場噪聲預測軟件INM(integrated noise model)[62],美國國防部(DOD)支持開發了軍用機場的噪聲預測軟件NOISEMAP[63],美國國家航空航天局(NASA)開發了與NOISEMAP模型配合使用以獲得更加準確的噪聲預測結果的噪聲預測軟件RNM(rotor noise model)[64]。此外,Wyle 實驗室開發的 NMsim、德國的 soundPLAN 和波音公司的 BCOP(Boeing clime out program)等軟件也得到規模化應用[65]。中國目前應用較多的是升級后的INM 軟件,杭州愛華智能科技有限公司等企業通過研發、優化機場噪聲預測軟件,逐步實現國產軟件的推廣應用。

基于較為成熟的噪聲預測技術手段,目前世界上80%的大型機場均已建成機場噪聲自動監測系統(airport noise monitoring system,ANMS)[3],包括中國的北京首都、上海浦東、廣州白云、成都天府等國際機場[66]。該系統主要用于分析航班起降噪聲影響、監測不同飛行程序的執行情況、預測機場周圍飛機噪聲等。

機場周圍飛機噪聲預測作為開展機場噪聲綜合治理工作的重要基礎,是機場掌握噪聲態勢、落實及優化減噪措施的有力工具,助力民航機場的綠色化發展,在機場規劃建設、機場運行、機場運行評價等階段都發揮了重要作用。

在機場規劃建設階段,通過對機場周圍飛機噪聲進行預測,繪制噪聲分布等值線圖,助力于政府單位掌握機場噪聲的影響范圍和程度,從而科學制定機場周圍區域用地規劃[67],預先設定降噪措施,為機場環境評估提供數據支持。

在機場運行階段,通過對比分析不同時段、不同運行模式的噪聲級大小,診斷機場周圍噪聲激增環節與因素[68],有助于制定機隊機型與飛行程序優化策略、開展基于噪聲的機場時刻容量精細化管理等減噪措施[69]。

在機場運行事后評價階段,可對多類型減噪措施的具體成效進行綜合評估,優選最合適的減噪措施。同時也為機場定期開展環境評價提供數據支撐,也可作為數據源向公眾公布機場噪聲影響情況及減噪措施的具體成效。

3 噪聲預測方法對比及展望

3.1 噪聲預測方法對比

基于NPD曲線的計算方法與監測數據驅動下的預測方法是現階段典型的機場周圍飛機噪聲預測方法,前者基于機場周圍飛機噪聲預測的理論計算公式、以多參數輸入、高計算負擔為代價輸出預測結果,后者依賴于機場噪聲監測數據庫、飛機噪聲傳播機理以及各類智能算法來實現更高效、直接的預測。對兩類方法進行綜合對比,詳細分析兩種方法的優勢與不足,見表2。

表2 機場周圍飛機噪聲預測方法綜合對比Table 2 Comprehensive comparison of aircraft noise prediction methods around the airport

通過對比梳理出兩種方法的優勢與不足,基于NPD曲線計算的噪聲預測方法過于依賴大量的參數輸入,無法覆蓋各類機型,未能有效利用監測數據對計算過程進行優化和校準,改良方法僅限于對輸入參數的進一步修正和部分計算參數的優化,未改變整體計算思路;監測數據驅動下的預測方法過于依賴監測數據,缺乏對噪聲傳播機理的進一步解析,預測精度和適用性受限。

兩種預測方法雖有各自的優勢和不足,但具有互補性,通過理論研究進一步解析飛機噪聲傳播機理,并依托監測數據修正傳統理論算法的經驗誤差,實現航空器聲功率與地面監測數據的推演與反算;同時利用對地面噪聲監測點監測數據的挖掘學習,剖析飛機噪聲在地面監測點的分布規律,借助理論計算結果優化分布推演結果。然后經過互相修正與校準過程,綜合兩類預測結果并輸出最終結果。

由于兩種方法具備互相交融的可操作性,充分發揮兩種方法的優勢,利用互補性彌補各自短板,從而全面優化預測流程、拓寬應用場景、降低經驗誤差,理論計算與監測數據驅動相融合成為了研究趨勢。

3.2 噪聲預測展望

通過對比分析國內外有關噪聲預測的大量研究工作,機場噪聲預測呈現出單純依靠理論計算或者監測數據驅動逐步向理論計算與監測數據驅動相融合方向發展的趨勢,基于此提出了空地聯合、數字組網的機場周圍飛機噪聲預測思路,見圖4。

圖4 預測新思路示意圖Fig.4 Schematic diagram of new prediction ideas

該思路首先進行預測前期工作,包括收集航跡、機場地理信息等數據、優選人工智能模型等;再進行噪聲監測點的合理布局,通過布設數量較少且成本較低的傳感器實現數字組網;然后進行噪聲數據采集和預處理,以獲取純凈的飛機噪聲。之后分別進行監測點與航跡數據交互以及監測點數據挖掘預測工作。其中,監測點與航跡數據交互重點考慮飛機噪聲的多普勒效應以進一步解析噪聲傳播機理[70],依托該機理與噪聲監測數據,實現聲功率反推與預測點聲級推演;監測點數據挖掘則進一步剖析不同監測點的噪聲值分布規律,依托理論計算結果對預測出的未知點數值進行修正;最后將兩種方法的預測結果進行對比,結合實測數據制定相互修正機制,輸出最終預測結果。

依托上述思路形成的方法將全面提升理論計算與監測數據驅動的兩種預測方法契合度,提高地面預測精度、增強噪聲態勢感知能力,有助于機場周圍飛機噪聲預測向空地聯合化、數字化、精細化方向前進。

未來,基于該思路設計的預測方法可在微觀層面,為機場開展噪聲監測及預測工作提供定制化、可視化產品,為相關單位開展環評工作提供噪聲評估咨詢服務;在宏觀層面,將為地方政府、民航監管單位提供優質的機場噪聲數據服務,為公眾打造機場周邊飛機噪聲空地聯合的信息展示平臺。

4 結論

通過梳理國內外有關機場周圍飛機噪聲預測的大量文獻,依據數據源的不同,歸納出基于NPD曲線計算的預測方法與監測數據驅動下的預測方法,詳細介紹了兩類預測方法的原理與實際運用情況,通過剖析對比兩種方法,得到以下結論。

(1)基于NPD曲線計算的噪聲預測方法較全面地考慮了對飛機噪聲產生影響各種因素,符合具體型號飛機的噪聲傳播規律,易于指導機場開展噪聲預測工作,但是存在過于依賴大量的飛行參數輸入、無法覆蓋各類機型、未能有效利用監測數據對計算過程進行優化和校準等問題。

(2)監測數據驅動下的噪聲預測方法通過監測數據與航跡數據交互、機器學習等方式實現智能預測,避免了理論模型中的經驗參數帶來的計算誤差,拓寬了預測渠道,衍生了大量預測模型,但是存在噪聲傳播解析工作不夠完善、噪聲監測點的布設成本較高、預測模型通用性較差等缺點。

(3)兩種預測方法雖有各自的優勢和不足,但具有互補性,通過理論研究進一步解析飛機噪聲傳播機理,并依托監測數據修正傳統理論算法的經驗誤差,實現航空器聲功率與地面監測數據的推演與反算;同時利用對地面噪聲監測點監測數據的挖掘學習,剖析飛機噪聲在地面監測點的分布規律,借助理論計算結果優化分布推演結果。

(4)基于上述兩種方法的優缺點及可互補性,揭示了理論計算與監測數據驅動相融合的研究趨勢,通過優勢互補,全面優化預測流程、拓寬應用場景、降低經驗誤差。

基于研究趨勢,提出了空地聯合、數字組網的機場周圍飛機噪聲預測新思路,通過布設量少、成本低的傳感器實現數字組網,依托監測點與航跡數據交互以及監測點數據挖掘實現空地聯合,打造理論計算與數據驅動兩類方法的協同運行平臺,實現機場周圍飛機噪聲預測的數字化、精細化。未來在微觀層面,可為機場開展噪聲監測及預測工作提供定制化產品,為有關單位開展環評工作提供噪聲評估咨詢服務;在宏觀層面,將為地方政府、民航監管單位提供優質的機場噪聲數據服務,為公眾打造機場周邊飛機噪聲空地聯合的信息展示平臺。