高鐵氣動噪音研究:縮尺模型和實驗分析物理現象

車頂設備擾亂氣流所引發的氣動噪音（Aerodynamic noise），由流體誘導噪音（空氣波動產生）與流體激勵噪音（壓力波動作用於結構）交織而成的。

本文內容參考自Hexagon Design & Engineering Education User Conference 2025

你有做過高鐵嗎?當高速行駛時，除了和鐵軌之間尖銳的摩擦音(比較差的鐵軌)，車廂外部氣流擾亂也是車廂內部噪音的來源。因此，開發時速超過 300 公里的高速鐵路（如日本新幹線、台灣高鐵）時，如何控制由車頂設備擾亂氣流所引發的氣動噪音（Aerodynamic noise），一直是提升乘客舒適度的核心技術挑戰。這篇文章，我們分享日本車輛（Nippon Sharyo）與日本學界合作的研究。這項研究利用一個精簡的小型化模型，在複雜的物理現象中釐清關鍵的噪音傳播機制。

拆解「混合噪音」

在高速流場中，噪音是由流體誘導噪音（空氣波動產生）與流體激勵噪音（壓力波動作用於結構）交織而成的。在真實行車環境下，這兩者極難拆解。這兩者也都是所謂的氣動噪音。

這項研究的首要任務是建立一個受控的小型實驗環境；再者建立數值模擬分析流程，透過縮小比例的實體與數值模型，定量釐清外部流場如何轉化為內部的聲學響應，並驗證模擬結果與實驗的一致性,。

小型實驗與模擬配置

為了深入研究物理本質，這項研究採用了比例相對較小的模型與設備：

• 小型實驗模型：使用自製的「小型低噪音風洞」，噴嘴尺寸僅為 130 x 130 mm。代表車廂的箱型模型也是精簡的設計，上方放置一個 40x80x40 mm 的小型長方體障礙物來模擬車頂設備。
• 精簡的模擬區域：在數值模擬中，為了提升運算效率，團隊並未模擬整台列車，而是僅針對頂板上方氣流通過的局部區域進行重建。透過 OpenFOAM 計算流場後，將數據映射至 Actran 進行聲學傳播分析。
• 感測與比對指標：雖然模型小，但觀測指標非常全面，包含：外部噪音、頂板振動（背風側加速度計）以及內部噪音。

模擬技術NCAA 與 SNGR 的選擇

在處理這類小型化但高頻率的模型時，常會因為實體計算資源，在進行CFD流場計算時，面臨著數值方法的選擇：

• NCAA (一般方法)：基於 LES（大渦流模擬），能精確捕捉氣流對結構產生的「激勵力(excitation force)」，定量預測振動與內部噪音的準確度極高。但是，因為它完整包含流體激勵成分，所以缺點是計算成本極高。
• SNGR (簡化方法)：利用 RANS 提供的平均湍動能合成聲源。其計算時間僅需 NCAA 的 1/70，因為它避開了耗時的非定常計算。

關鍵發現：SNGR 在理論上未建立激勵效應模型，因此會低估振動與內部噪音。此外，雖然它節省時間，但因生成大量隨機數據，對電腦記憶體與儲存空間的需求反而更高。

結果討論

瞭解上述兩種計算方法，似乎各有優缺點。此外，這裡的研究無論是實體實驗或者模擬分析，都是小型模型，也就是非真實模型的尺寸，但依然能觀察到重要的物理現象:

• 結構模態的辨識：實驗發現內部噪音在 160Hz 有明顯波峰，這正對應於頂板的結構模態，證明噪音主因是氣流激發了結構共振。
• 微觀幾何的影響：當我們在障礙物邊緣增加 20mm 圓角（Fillet）時，流場變得平順，流體激勵成分變弱，該頻率的噪音顯著下降。
• 定性分析的價值：儘管 SNGR 在小型模型中會低估數值，但它成功預測出「圓角能降噪」的趨勢，證明了其在早期設計篩選（Qualitative prediction）中的價值。

未來建議

這項研究為我們示範了如何利用小型化模型來了解物理本質。對於未來的設計優化，建議流程如下:

1. 小模型進行基礎研究：工程師可先從簡單、小型的實驗模型開始，這能幫助我們排除過多變數，深入理解理論背景。
2. 分階段模擬：初期利用 SNGR 方法 在小型模型上快速測試大量幾何變體（如不同圓角設計）;後期再針對優選方案，在更大型或全尺寸模型上執行 NCAA 分析，以獲取精確的聲壓分貝值。
3. 硬體計算瓶頸：若要將此流程應用於全尺寸（Full-scale）分析，必須優化 SNGR 的設定以降低記憶體與儲存空間的需求,。

這項研究透過小型化模型的虛實對比，讓我們學會如何判斷數據背後的物理意義。工程師能理解「為何而算」，在面對工程問題時能以最佳的流程，快速解決問題，是最核心的競爭力。

原文內容: Bridging Simulation and Experimentation, Hexagon Design & Engineering Educational User Conference 2025