机场周围飞机噪声预测研究综述

彭笑非, 王博, 叶家全, 苏刚, 谢蕾

(中国民航局第二研究所空管工程技术研究所, 成都 610041)

随着中国机场数量逐渐增多、规模逐步扩大、航班起降架次稳步提升,机场噪声影响了周边民众生活品质的提升,成为仅次于空气污染的第二大环境风险因素[1],也制约着机场规划建设和地方经济发展[2]。中国民航大学于2018年对中国民用运输机场噪声影响进行统计分析,约有20%的机场噪声影响较为严重[3]。根据中国环境科学研究院所开展的飞机噪声影响人口数量研究,生活在大于 70 dB 范围内的人数约占年旅客吞吐量的0.98%[4],按照2021年4.4亿人次[5]的吞吐量计算,上述范围内的人数将突破430万人。已有研究表明,较高分贝的飞机噪声除了与睡眠质量恶化直接相关外,还与高血压、心血管疾病的死亡率增加有关[6]。

为了缓解机场周围日趋严重的噪声污染问题[7],《中华人民共和国环境噪声污染防治法》[8]于2022年6月正式施行,要求机场对周围民用航空器噪声进行监测,有效开展机场噪声污染防治工作;《“十四五”民用航空发展规划》[9]、《“十四五”民航绿色发展专项规划》[10]等一系列规划更是对全面提升机场噪声综合治理能力[11]提出了新要求。

机场周围飞机噪声预测作为开展机场噪声综合治理工作的重要基础,有助于机场掌握噪声态势、部署治理措施、评估减噪成效,在推进机场全面绿色转型[12]的过程中起到了重要作用。如何科学有效地运用技术手段对机场周围飞机噪声进行精细化、智能化的预测,受到国内外学者的广泛关注。国外有关机场周围飞机噪声影响的研究在19世纪80年代已经盛行,中国此时还处于起步阶段。经过数十年的发展,国内外均形成了一系列研究成果。

为进一步总结研究成果,呈现噪声预测进展、把握研究趋势,现首先介绍机场周围飞机噪声的定义、评价指标;其次,依据数据源的不同,分别深入介绍基于噪声-功率-距离(noise-power-distance,NPD)曲线[13-14]的计算方法以及监测数据驱动下的预测方法,列举噪声预测应用现状;最后,梳理两类方法的共性与差异、总结优势与不足,通过分析其互补性,揭示两种方法融合发展的研究趋势,并在此基础上提出空地联合、数字组网的噪声预测新思路,为进一步推进其融合使用提供参考。

1 噪声预测基本概念

1.1 定义

航空器在执行起飞、爬升、巡航、下降等飞行活动时,都会给附近区域带来不同程度的飞机噪声。飞机噪声是由一系列不同频率声音组成的混合噪声,具有声压级高、低频(<250 Hz)噪声大、噪声源非稳态运动、影响范围广、时空间断性及累加性等特征[15]。

为进一步刻画航空器飞行活动对周边区域的噪声影响情况,相关标准首先定义了具体范围,“机场周围”是指由地方人民政府划定的、受飞机通过(起飞、降落、低空飞越)噪声影响的区域[16]。

由于机场周围区域分布较广,涉及大量的航空器飞行活动区,并且航空器机型复杂且多样,依托监测设备对每一位置进行测量难度较大、成本高昂,只能选取部分敏感区域进行监测,由于缺乏大量未知区域的监测数据,不利于机场掌握整个噪声影响态势。因此,机场周围飞机噪声预测需求旺盛,为刻画航空器飞行活动对周边区域影响范围和程度提供有力支撑。该技术旨在机场周边区域内划设若干预测点,结合航空器飞行活动情况,采用相应手段输出目标机型在指定预测点的暴露声级,基于不同预测点的声级大小,由点及线地绘制飞机噪声等值线图,从而直观地呈现飞机噪声的影响范围和程度。

1.2 评价指标

国际上广泛使用昼夜等效声级Ldn作为机场噪声评价量,该评价量考虑了人们对飞机噪声的昼夜敏感性差异,将夜间飞机噪声增加10 dB的补偿量后得到的一昼夜等效连续A声级;选取暴露声级LAE作为单次飞行事件噪声预测指标[17],该评价量是指在规定测量时段内或对某一独立噪声事件,将其声音能量等效为1 s 作用时间的A计权声压级。

中国采用以噪声度为基础的计权等效连续感觉噪声级LWECPN作为机场噪声评价量,该评价量采用能量平均的方法,反映了飞机噪声全天平均每秒对人的作用[18];单次飞行事件噪声预测指标包括有效感觉噪声级LEPN(考虑了持续时间和纯音修正后的感觉噪声级)与暴露声级LAE。

2 噪声预测典型方法

由于飞机噪声传播具有多普勒效应[19],且传播过程中会受到大气影响、地面吸收效应,不适用于传统的交通载具噪声预测方法。通过对中外文献进行梳理,根据数据源的不同,现阶段机场周围飞机噪声的预测方法可归纳为基于NPD曲线计算与监测数据驱动下的噪声预测。

2.1 基于NPD曲线计算的噪声预测

基于NPD曲线计算的噪声预测方法的核心是基于地面预测点到飞行轨迹的最短距离以及最短距离位置处推力、速度等参数,结合NPD曲线插值得出理论噪声级,再根据实际情况进行修正。经过多年发展,形成了以国内外标准为载体的常规方法与学术研究驱动下的改良方法。

2.1.1 常规方法

为有效缓解机场周围飞机噪声预测难等问题,美国汽车工程师协会(society of automotive engineers,SAE)于1986年发布了标准SAE AIR 1845[20],详细介绍了飞机噪声预测方法,并于2012年发布修订后的新标准SAE AIR 1845A[21]。

针对运输机场或者通用航空机场,以LAE作为单架飞机在预测点上的暴露声级评价指标,单次飞行事件的噪声理论计算公式为

LAE=LAE(P,d)+Δv-Λ(β,L)+ΔL+Δφ

(1)

式(1)中:LAE为单架航空器在地面预测点的暴露声级;LAE(P,d)为发动机的功率P和地面计算点与航线的垂直距离d(斜线距离)在已知的NDP数据基础上进行插值获得的声级;Δv为速度修正因子,Λ(β,L)为侧向衰减因子;ΔL为针对在飞机起跑点后面的计算点施加的修正因子;Δφ为转弯航迹持续时间修正因子。

国际民航组织于1988年发布了标准ICAO Circular 205[22],计算方法与美国SAE AIR 1845类似,之后将其计算方法纳入ICAO 9911[23]和附件16-环境保护[24],并沿用至今。欧洲民航会议(European Civil Aviation Conference,ECAC)基于ICAO Circular 205对1987年版标准ECAC Doc 29[25]所涉机场噪声预测方法进行了修订,于1997年发布了第二版,并沿用至今。

中国在沿用美国SAE AIR1845计算方法的基础上,基于中国国情进行了改良,形成了国家标准《机场周围区域飞机噪声环境质量标准(征求意见稿)》(以下简称国标征求意见稿)、行业标准《民用机场周围飞机噪声计算和预测》(以下简称民航标准)[26]、《环境影响评价技术导则声环境》(以下简称环评标准)[27]。国内外涉及机场周围飞机噪声预测方法的标准详见图1。

图1 国内外涉及机场周围飞机噪声预测的标准文件Fig.1 Standards documents for prediction of aircraft noise around airports at home and abroad

通过对比分析,国内外有关噪声预测的常规方法有共性与差异,见表1。

表1 常规方法的共性与差异Table 1 Common and differences of conventional methods

2.1.2 改良方法

基于NPD曲线的常规计算方法,国内外学者通过大量理论、试验研究,对常规方法进行突破和改进,形成了一系列最新研究成果。

国内学者主要针对计算体系不够统一、预测结果不够直观、未有效结合航迹特征、新机型应用难度大、噪声源声功率预测不够精准等不足,形成了多种改良方法。

在统一计算体系方面,刘洲等[28]根据飞行航线的几何特点,于2012年建立了通用地、适合各种机型不同航线的噪声计算模型,完善了飞机噪声计算体系。在预测结果可视化方面,刘洲等[29]于2013年将地理信息系统(geographic information system,GIS)技术引入飞机噪声预测过程中,极大地提升了模型的空间数据处理与分析能力。在结合航迹特征方面,张召悦[30]于2013年建立了一套基于航迹特征的离场飞行程序噪声预测方法,之后提出了基于航迹分段模型的飞行程序噪声评估方法,进一步提高了预测效率[31];闫国华等[32]于2018年在分析离场航迹特征的机场上,经过多普勒效应修正、几何发散衰减修正和大气吸声衰减修正,得到起飞时风扇噪声预测模型。在新机型应用方面,孙慧[33]于2017年建立了适用于喷气式飞机的边线噪声衰减数据库,为C919等新机型噪声预测和噪声适航审定奠定基础。在噪声源声功率预测方面,闫国华等[34]于2020年提出了一种用于发动机核心机适航噪声的计算框架,提高噪声源声功率预测的准确性。

国外学者主要着眼于降低理论计算所需参数的获取难度、提升参数的准确性。

Pretto等[35]主要克服飞机推力参数难以准确获取等不足,于2019年提出了网络数据驱动下的机场周围飞机噪声理论预测方法,通过相关网站获取已公布的机场布局、空域条件、航迹信息、机型参数等数据,然后对数据进行清洗和标准化处理,再利用航迹数据以及飞行程序构建典型飞行事件,从中获取较为准确的推力信息,并基于NPD曲线计算出噪声声级。

为了进一步提升重建的飞行事件与航迹信息的匹配度,减小航空器推力引起的噪声预测误差,Pretto等[36]于2022年提出了新的改进方法,进一步考虑有关航班运行、机场天气、航空器性能参数、机场跑道和地形高程的大量数据,在指定的飞行程序中解锁合理自由度,使得重建的飞行事件与实际航迹数据相匹配,经过理论计算获取了更为准确的预测结果。

2.2 监测数据驱动下的噪声预测

通过在机场周围布设噪声监测点,结合航迹数据进行交互分析或者单纯挖掘噪声点数据,能够有助于探究噪声传播及时空分布规律,进而依托已知噪声监测点预测未知点的飞机噪声。相关学者展开了大量研究,具体形成了监测点与航迹数据交互预测与监测点数据挖掘预测两种方法。

2.2.1 监测点与航迹数据交互

监测点与航迹数据交互的噪声预测方法的原理是基于噪声监测点的噪声数据和飞行轨迹信息,结合噪声传播机理,由噪声监测点的声压级和飞机位置,反推飞机的声源声功率,并由此预测出地面各预测点受飞机影响的声压级大小。

从飞机到接收者的噪声传播包括通过空气的直接传播,在地面、屏障和建筑表面及通过湍流和不均匀大气的反射、衍射和散射[37]。《环境影响评价技术导则 声环境》依据《声学户外声传播衰减第1部分:大气声吸收的计算》[38]与《声学户外声传播衰减第2部分:一般计算方法》[39]规定了移动的或者是固定的户外点声源或点声源组传播衰减计算方法以及大气吸收衰减、地面效应衰减等参数具体的计算方法,可以预测已知噪声源在有利于声传播的气象条件下指定预测点处的声级,为解析航空器噪声的传播机理奠定了基础。

袁芳[40]在2022年基于上述传播衰减方法设计出监测点与航迹数据交互的机场周围飞机噪声预测方法,如图2所示。

图2 交互预测示意图[40]Fig.2 Schematic diagram of interactive prediction[40]

该方法首先在机场周围区域布置多个噪声监测点与广播式自动相关监视(automatic dependent surveillance-broadcast,ADS-B)地面站[41],实时采集噪声数据与飞机航迹信息(包含飞机的位置、高度、速度以及时间);然后结合地面监测点接收到的噪声变化情况、考虑噪声传播的延时效应分段构建有效航迹,再整合多段有效航迹形成飞机的有效航迹[42];之后基于户外点声源的传播理论解析噪声传播机理,结合噪声监测点数据和有效航迹信息反推声源大小并推演地面其他预测点的噪声暴露声级。

2.2.2 基于监测数据挖掘

基于监测数据挖掘的飞机噪声预测方法包括数据采集、数据处理、模型构建3个阶段,见图3。

图3 噪声数据挖掘三阶段示意图Fig.3 Three stages of noise data mining

该方法原理是通过在机场周边布置大量的噪声监测点[43],采集大批量、长周期的机场周围飞机噪声数据,然后对机场周围飞机噪声数据进行处理和深入分析,过滤环境噪声等不正常数据,再通过神经网络、关联分析、时间序列等各类智能算法探究监测点噪声数值及分布规律,建立机场周围飞机噪声预测模型。

在噪声数据采集阶段,杨东等[44]、丁伟杰[45]、虞月[46]、金建龙[47]、肖骁[48]构建了机场周围飞机噪声感知网络体系三级架构。首先在机场周边区域布置大量的噪声数据感知节点,然后通过ZigBee技术[49]将采集到的噪声数据汇聚至汇聚节点,再通过移动网络将噪声数据由汇聚节点传输至中心处理平台。

在噪声数据处理阶段,王尚北等[50]、温冬琴等[51-52]、谷飞[53]、尤华[54]广泛使用时段平均法、滑动平均法等初级滤波算法对噪声数据进行平滑处理。由于没有考虑到机场周围环境噪声,在一定程度上损失了数据的精度和准确性。陈亘[55]通过模拟实验探究了环境背景噪声对飞机噪声监测结果的影响,为噪声滤波工作奠定了基础。丁伟杰[45]根据噪声序列的短时趋势对噪声进行了分类,并充分考虑监测区域内噪声数据的时空分布特点,设计了改进的粒子滤波算法,实现同步过滤局部环境噪声与保留航空噪声的效果。

在噪声预测阶段,近年来各位学者主要通过集成学习、神经网络、关联分析、时间序列分析等智能算法构建噪声预测模型。在集成学习技术方面,谢华等[56]通过对机场噪声数据进行采样训练得到多个预测模型,再对其进行选择集成,输出效果更好的预测模型。徐涛等[57]根据距离、功率、速度、风力、温度、湿度等预测参数的可获取性,动态构建预测模型,从而在参数缺失的条件下仍可预测出相应噪声值。在神经网络技术方面,杜继涛[15]将推力、高度、直线距离、平均风速等作为学习要素,采用神经网络对采集到的监测数据进行训练,针对该机场定制了噪声预测模型。在关联分析技术方面,谷飞[53]通过ATNSOA-Apriori算法挖掘多个噪声监测点之间的数据关联规则,实现从已知监测点预测其他点位噪声值的目的。在时间序列技术方面,王尚北[58]结合机场周围飞机噪声时空序列的特性,提出基于时空神经网络的预测模型。在跨技术融合方面,徐涛等[59]提出一种基于快速极限学习机和差分进化算法的机场噪声一体化预测模型,采用改进的差分进化算法实现对重构参数和模型参数的同步优化选择,无需人工干预。苏瀚[60]综合考虑机场噪声的主要影响因素,利用空间拟合算法和BP神经网络算法构建预测模型,使之具有更高的预测精度和更强的泛化能力。徐涛等[61]提出一种基于空间拟合和神经网络的集成预测模型,通过联合使用多个基学习器,有效提升预测准确率。

2.3 噪声预测应用现状

在掌握基于NPD曲线计算与监测数据驱动的两大类噪声预测方法原理的基础上,各国着眼于预测方法的实际运用,开发了一系列机场周围飞机噪声预测软件与噪声监控系统,并在机场规划建设、机场运行、机场运行评价等阶段都发挥了重要作用。

在噪声预测软件方面,基于NPD曲线的理论计算方法,美国航空管理局(FAA)支持开发了机场噪声预测软件INM(integrated noise model)[62],美国国防部(DOD)支持开发了军用机场的噪声预测软件NOISEMAP[63],美国国家航空航天局(NASA)开发了与NOISEMAP模型配合使用以获得更加准确的噪声预测结果的噪声预测软件RNM(rotor noise model)[64]。此外,Wyle 实验室开发的 NMsim、德国的 soundPLAN 和波音公司的 BCOP(Boeing clime out program)等软件也得到规模化应用[65]。中国目前应用较多的是升级后的INM 软件,杭州爱华智能科技有限公司等企业通过研发、优化机场噪声预测软件,逐步实现国产软件的推广应用。

基于较为成熟的噪声预测技术手段,目前世界上80%的大型机场均已建成机场噪声自动监测系统(airport noise monitoring system,ANMS)[3],包括中国的北京首都、上海浦东、广州白云、成都天府等国际机场[66]。该系统主要用于分析航班起降噪声影响、监测不同飞行程序的执行情况、预测机场周围飞机噪声等。

机场周围飞机噪声预测作为开展机场噪声综合治理工作的重要基础,是机场掌握噪声态势、落实及优化减噪措施的有力工具,助力民航机场的绿色化发展,在机场规划建设、机场运行、机场运行评价等阶段都发挥了重要作用。

在机场规划建设阶段,通过对机场周围飞机噪声进行预测,绘制噪声分布等值线图,助力于政府单位掌握机场噪声的影响范围和程度,从而科学制定机场周围区域用地规划[67],预先设定降噪措施,为机场环境评估提供数据支持。

在机场运行阶段,通过对比分析不同时段、不同运行模式的噪声级大小,诊断机场周围噪声激增环节与因素[68],有助于制定机队机型与飞行程序优化策略、开展基于噪声的机场时刻容量精细化管理等减噪措施[69]。

在机场运行事后评价阶段,可对多类型减噪措施的具体成效进行综合评估,优选最合适的减噪措施。同时也为机场定期开展环境评价提供数据支撑,也可作为数据源向公众公布机场噪声影响情况及减噪措施的具体成效。

3 噪声预测方法对比及展望

3.1 噪声预测方法对比

基于NPD曲线的计算方法与监测数据驱动下的预测方法是现阶段典型的机场周围飞机噪声预测方法,前者基于机场周围飞机噪声预测的理论计算公式、以多参数输入、高计算负担为代价输出预测结果,后者依赖于机场噪声监测数据库、飞机噪声传播机理以及各类智能算法来实现更高效、直接的预测。对两类方法进行综合对比,详细分析两种方法的优势与不足,见表2。

表2 机场周围飞机噪声预测方法综合对比Table 2 Comprehensive comparison of aircraft noise prediction methods around the airport

通过对比梳理出两种方法的优势与不足,基于NPD曲线计算的噪声预测方法过于依赖大量的参数输入,无法覆盖各类机型,未能有效利用监测数据对计算过程进行优化和校准,改良方法仅限于对输入参数的进一步修正和部分计算参数的优化,未改变整体计算思路;监测数据驱动下的预测方法过于依赖监测数据,缺乏对噪声传播机理的进一步解析,预测精度和适用性受限。

两种预测方法虽有各自的优势和不足,但具有互补性,通过理论研究进一步解析飞机噪声传播机理,并依托监测数据修正传统理论算法的经验误差,实现航空器声功率与地面监测数据的推演与反算;同时利用对地面噪声监测点监测数据的挖掘学习,剖析飞机噪声在地面监测点的分布规律,借助理论计算结果优化分布推演结果。然后经过互相修正与校准过程,综合两类预测结果并输出最终结果。

由于两种方法具备互相交融的可操作性,充分发挥两种方法的优势,利用互补性弥补各自短板,从而全面优化预测流程、拓宽应用场景、降低经验误差,理论计算与监测数据驱动相融合成为了研究趋势。

3.2 噪声预测展望

通过对比分析国内外有关噪声预测的大量研究工作,机场噪声预测呈现出单纯依靠理论计算或者监测数据驱动逐步向理论计算与监测数据驱动相融合方向发展的趋势,基于此提出了空地联合、数字组网的机场周围飞机噪声预测思路,见图4。

图4 预测新思路示意图Fig.4 Schematic diagram of new prediction ideas

该思路首先进行预测前期工作,包括收集航迹、机场地理信息等数据、优选人工智能模型等;再进行噪声监测点的合理布局,通过布设数量较少且成本较低的传感器实现数字组网;然后进行噪声数据采集和预处理,以获取纯净的飞机噪声。之后分别进行监测点与航迹数据交互以及监测点数据挖掘预测工作。其中,监测点与航迹数据交互重点考虑飞机噪声的多普勒效应以进一步解析噪声传播机理[70],依托该机理与噪声监测数据,实现声功率反推与预测点声级推演;监测点数据挖掘则进一步剖析不同监测点的噪声值分布规律,依托理论计算结果对预测出的未知点数值进行修正;最后将两种方法的预测结果进行对比,结合实测数据制定相互修正机制,输出最终预测结果。

依托上述思路形成的方法将全面提升理论计算与监测数据驱动的两种预测方法契合度,提高地面预测精度、增强噪声态势感知能力,有助于机场周围飞机噪声预测向空地联合化、数字化、精细化方向前进。

未来,基于该思路设计的预测方法可在微观层面,为机场开展噪声监测及预测工作提供定制化、可视化产品,为相关单位开展环评工作提供噪声评估咨询服务;在宏观层面,将为地方政府、民航监管单位提供优质的机场噪声数据服务,为公众打造机场周边飞机噪声空地联合的信息展示平台。

4 结论

通过梳理国内外有关机场周围飞机噪声预测的大量文献,依据数据源的不同,归纳出基于NPD曲线计算的预测方法与监测数据驱动下的预测方法,详细介绍了两类预测方法的原理与实际运用情况,通过剖析对比两种方法,得到以下结论。

(1)基于NPD曲线计算的噪声预测方法较全面地考虑了对飞机噪声产生影响各种因素,符合具体型号飞机的噪声传播规律,易于指导机场开展噪声预测工作,但是存在过于依赖大量的飞行参数输入、无法覆盖各类机型、未能有效利用监测数据对计算过程进行优化和校准等问题。

(2)监测数据驱动下的噪声预测方法通过监测数据与航迹数据交互、机器学习等方式实现智能预测,避免了理论模型中的经验参数带来的计算误差,拓宽了预测渠道,衍生了大量预测模型,但是存在噪声传播解析工作不够完善、噪声监测点的布设成本较高、预测模型通用性较差等缺点。

(3)两种预测方法虽有各自的优势和不足,但具有互补性,通过理论研究进一步解析飞机噪声传播机理,并依托监测数据修正传统理论算法的经验误差,实现航空器声功率与地面监测数据的推演与反算;同时利用对地面噪声监测点监测数据的挖掘学习,剖析飞机噪声在地面监测点的分布规律,借助理论计算结果优化分布推演结果。

(4)基于上述两种方法的优缺点及可互补性,揭示了理论计算与监测数据驱动相融合的研究趋势,通过优势互补,全面优化预测流程、拓宽应用场景、降低经验误差。

基于研究趋势,提出了空地联合、数字组网的机场周围飞机噪声预测新思路,通过布设量少、成本低的传感器实现数字组网,依托监测点与航迹数据交互以及监测点数据挖掘实现空地联合,打造理论计算与数据驱动两类方法的协同运行平台,实现机场周围飞机噪声预测的数字化、精细化。未来在微观层面,可为机场开展噪声监测及预测工作提供定制化产品,为有关单位开展环评工作提供噪声评估咨询服务;在宏观层面,将为地方政府、民航监管单位提供优质的机场噪声数据服务,为公众打造机场周边飞机噪声空地联合的信息展示平台。