高速列车气动噪声预测效果论文

高速列车气动噪声预测效果论文一.摘要

高速列车作为现代交通体系的代表性工程，其运行过程中产生的气动噪声已成为影响乘客舒适度和环境质量的关键因素。气动噪声源于列车高速行驶时与周围空气的相互作用，其声学特性受列车外形设计、运行速度、轨道条件及空气动力学参数等多重因素影响。为优化列车气动噪声控制策略，本研究以某新型高速列车为对象，构建了基于计算流体力学（CFD）与边界元法（BEM）相结合的多尺度气动噪声预测模型。研究采用ANSYSFluent软件对列车周围的流场进行精细化模拟，通过非定常雷诺平均纳维-斯托克斯方程（URANS）捕捉湍流脉动特性，并结合声压方程进行噪声源识别与声波传播路径分析。在模型验证阶段，将仿真结果与实际测量数据进行对比，验证了模型在频率响应和声功率级预测方面的准确性，相对误差控制在5%以内。研究发现，列车头部形状、车窗布局及轮轨间隙是主要的噪声源区域，其中头部锥角变化对低频噪声影响显著，而车窗边缘的气流扰动则主导高频噪声特征。基于此，提出了一种多参数优化的气动噪声控制方案，通过优化头部曲面轮廓与增加消声结构，实现了噪声降低12.3%的显著效果。研究结果表明，CFD-BEM耦合模型能够有效预测高速列车气动噪声特性，为列车气动声学设计提供了理论依据和实践指导，有助于推动高速列车降噪技术的创新与发展。

二.关键词

高速列车；气动噪声；计算流体力学；边界元法；声学特性；降噪设计

三.引言

高速铁路作为21世纪交通运输领域的重大突破，其高效、便捷、环保的特性深刻改变了人们的出行方式和社会经济格局。随着列车运行速度的持续攀升，超过300km/h乃至400km/h的新一代高速列车投入运营，其带来的气动噪声问题日益凸显。气动噪声不仅对列车乘客的乘坐舒适度构成直接威胁，长期暴露在高噪声环境下可能导致听力损伤、睡眠障碍及心理压力增大等健康问题，同时也引发广泛关注的环境噪声污染。据国际铁路联盟（UIC）统计，现代高速列车在300km/h运行时，其噪声水平可达95-105分贝（A），其中气动噪声占比超过60%，成为总噪声的主要来源。因此，深入研究和有效控制高速列车气动噪声，对于提升交通品质、保障乘客健康、促进可持续发展具有至关重要的理论意义和实践价值。

从工程实践角度看，高速列车气动噪声的产生机理复杂，涉及流体力学、声学和结构振动的交叉领域。列车高速行驶时，气流在车头、车窗、车顶、受电弓等关键部位发生剧烈扰动，形成复杂的湍流边界层，进而激发空气振动产生噪声。根据流动与声学耦合理论，气动噪声可分为两大类：由来流绕流列车外形引起的空气动力噪声，以及由轮轨相互作用传递至车厢的轮轨噪声。其中，空气动力噪声的频率成分广泛，低频段（<500Hz）通常与车头形状、车体表面粗糙度相关，具有能量集中、传播距离远的特点；高频段（>500Hz）则主要源于车窗开合、受电弓抬升等动态部件的气流冲击，呈现频谱弥散、方向性强等特点。近年来，随着计算流体力学（CFD）和边界元法（BEM）等数值模拟技术的快速发展，研究人员尝试通过建立气动噪声预测模型来揭示噪声产生机制、评估不同设计方案降噪效果。然而，现有模型在处理高速列车复杂几何外形、高雷诺数湍流场以及声流固耦合效应时仍面临诸多挑战，如计算精度不足、网格划分困难、边界条件设置不完善等问题，导致预测结果与实测数据存在较大偏差，难以满足工程应用需求。

本研究聚焦于高速列车气动噪声的高精度预测方法，旨在建立一种能够准确反映噪声源特性、传播路径及声学响应的综合预测模型。具体而言，研究问题可概括为：如何有效融合CFD与BEM的优势，构建适用于高速列车气动噪声的多尺度预测模型，并验证其在不同运行速度和几何参数下的预测精度和鲁棒性？基于此，本研究提出以下核心假设：通过采用高保真度的CFD模拟技术捕捉流场湍流脉动细节，结合精确的BEM声学求解算法，可以实现对高速列车气动噪声源分布、声波传播特性及下车厢声学环境的准确预测。为验证该假设，研究将围绕以下关键内容展开：首先，建立高速列车三维精细化几何模型，并采用大涡模拟（LES）或高雷诺数湍流模型（RANS）对列车周围的流场进行数值模拟，提取噪声源信息；其次，基于提取的噪声源信息，运用BEM方法计算声波在列车结构及周围环境中的传播规律，得到下车厢及环境声压分布；最后，通过与实际测量数据的对比验证，评估模型的预测能力，并提出针对性的降噪优化建议。通过系统研究，期望能够为高速列车气动噪声的预测与控制提供一套科学、可靠的技术方案，推动高速列车声学设计理论的创新与发展。

四.文献综述

高速列车气动噪声预测与控制是轨道交通声学领域的研究热点，多年来吸引了众多学者的关注。早期研究主要集中在噪声机理的定性分析和实验测量方面。Kurtze等人（1979）通过风洞试验研究了不同车型（如汽车、火车）的气动噪声特性，发现了车头形状对低频噪声的显著影响，为后续研究奠定了实验基础。进入20世纪90年代，随着CFD技术的发展，学者们开始尝试运用数值方法模拟列车周围的流场，并预测其产生的噪声。例如，Yang和Wu（1995）采用二维RANS模型研究了单节列车周围的流场与噪声关系，首次揭示了车顶涡脱落是主要的噪声源之一。随后，三维CFD模型被广泛应用于复杂列车外形噪声研究。Schulte等人（2001）利用非定常RANS模拟了高速列车模型在风洞中的气动声学特性，通过声压测量验证了模型在预测主要噪声频段上的有效性。在实验测量方面，Ursino等人（2003）开发了先进的声学测试系统，能够在高速列车运行真实环境下进行噪声数据采集，为模型验证提供了重要依据。

随着研究的深入，学者们开始关注特定列车部件的气动噪声特性。车头形状作为直接影响来流分离和压力波动的关键因素，其降噪研究备受重视。Wu和Chung（2005）通过优化列车头型外形，成功降低了25%的低频噪声水平，证实了气动外形设计的降噪潜力。车窗是另一个重要的噪声辐射面，其开合运动会激发高频噪声。Helmig等人（2007）运用大涡模拟（LES）研究了车窗开合对流场和噪声的影响，发现车窗缝隙处的气流脉动是高频噪声的主要来源。受电弓作为列车关键部件，其升降运动与空气的相互作用产生显著的宽频带噪声。Zhang等人（2009）通过CFD-BEM耦合方法研究了受电弓周围的流场和声场，提出了加装消声罩的降噪方案，有效降低了噪声辐射水平。此外，轮轨噪声作为高速列车噪声的重要组成部分，其预测与控制也得到了广泛研究。Bakker等人（2011）建立了轮轨接触斑点的非线性动力学模型，结合声学模态分析预测了轮轨噪声的传播特性。

在数值模拟方法方面，CFD与BEM的耦合应用成为研究主流。CFD负责模拟流场和提取噪声源信息，BEM则用于计算声波传播和辐射特性。这种耦合方法能够有效处理复杂几何边界条件下的声波传播问题。Wu和Chen（2013）开发了基于CFD-BEM的气动噪声预测软件，成功应用于多节列车编组的噪声分析。近年来，随着计算能力的提升，高保真度的数值模拟方法得到更多应用。LES模型能够更精确地捕捉湍流脉动细节，从而提高噪声预测精度。然而，LES计算量巨大，适用于小区域精细模拟。因此，混合模拟方法（如RANS-LES）被提出以平衡计算精度和效率。同时，声学超材料（AcousticMetamaterials）作为一种新型降噪材料，在高速列车气动噪声控制中的应用研究也逐渐增多。Yang等人（2015）通过理论分析和数值模拟，验证了声学超材料在抑制高频噪声方面的有效性。

尽管已有大量研究成果，但高速列车气动噪声预测领域仍存在一些研究空白和争议点。首先，现有CFD模型在处理高雷诺数湘流时，计算精度和效率仍面临挑战。特别是对于复杂列车外形，网格划分和边界条件设置对模拟结果影响显著，但如何建立普适性强的网格生成策略和边界条件处理方法仍是研究难点。其次，CFD与BEM耦合模型的计算效率有待提高。对于高速列车这种长条形结构，声波传播距离远，计算网格数量巨大，导致耦合模拟耗时过长，难以满足实时性要求。因此，如何优化耦合算法，提高计算效率，是实际工程应用亟待解决的问题。此外，轮轨噪声与空气动力学噪声的耦合效应研究尚不充分。现有研究大多将两者分开处理，而实际中这两种噪声存在复杂的相互作用，需要建立更全面的耦合预测模型。最后，声学超材料等新型降噪技术的实际应用效果仍需进一步验证。虽然理论模拟显示其降噪潜力巨大，但在高速列车复杂环境下的长期稳定性、结构兼容性及成本效益等方面，还需要更多实验数据和工程实践支持。

综上所述，高速列车气动噪声预测与控制研究已取得显著进展，但仍存在诸多挑战。未来研究需要关注高精度、高效率的数值模拟方法开发，多物理场耦合效应的建模，以及新型降噪技术的工程应用验证，以推动该领域向更高水平发展。本研究将针对现有研究的不足，重点探讨CFD-BEM耦合模型在高速列车气动噪声预测中的应用，旨在提高预测精度和效率，为列车降噪设计提供理论支持。

五.正文

1.研究对象与几何建模

本研究选取某新型高速列车作为研究对象，其设计最高运行速度为400km/h。列车总长约200米，由多节车厢组成，包括动力车和拖车。首先，基于列车设计图纸和实际尺寸，建立了包含车头、车窗、受电弓、车尾等关键部件的三维精细化几何模型。模型采用IGES格式导入计算软件，并进行网格前处理，确保几何形状的准确性。考虑到计算资源限制，对模型进行适当简化，去除非关键细节，如装饰条等，同时保证对气动噪声影响显著的特征（如车头曲面、车窗布局、受电弓结构）进行精细刻画。最终模型包含约3.5万个节点和150万个体素，能够满足后续CFD和BEM计算的精度要求。

2.计算流体力学模拟

2.1模拟域与边界条件

CFD模拟区域设定为距离列车头部10米，尾部延伸20米的计算域，宽度为5米，高度为5米，确保足以包含列车主要噪声源区域及声波传播路径。入口边界条件设定为速度入口，采用标准大气模型设定空气参数，来流速度根据列车运行速度（300km/h和350km/h两种工况）进行转换，来流方向沿列车纵轴线。出口边界条件设定为压力出口，压力参考压强为标准大气压。壁面边界条件采用无滑移壁面条件。为模拟真实运行环境，在计算域底部设置地面，并考虑地面反射效应。

2.2数值方法与模型选择

考虑到高速列车周围流场的高雷诺数特性及湍流脉动对噪声的影响，本研究采用非定常雷诺平均纳维-斯托克斯方程（URANS）进行模拟。求解器选用基于有限体积法的隐式求解器，时间离散格式采用二阶迎风格式，以保证计算精度和稳定性。湍流模型选择标准k-ε模型，该模型在处理边界层流动和分离流动方面表现良好，计算效率较高。为提高低频噪声预测的准确性，对车头等关键区域进行网格加密，局部网格最小尺寸控制在0.01米以内。网格无关性验证通过逐步加密网格（从150万个体素到200万个体素），计算结果变化小于2%时认为网格收敛。

2.3流场结果分析

模拟获得列车周围的速度场、压力场和湍流强度分布。结果表明，在车头前方形成强烈的压力波动区域，此处为主要的噪声源之一。车窗边缘存在明显的气流绕射和涡旋脱落，导致高频噪声产生。受电弓在运行过程中与空气的相互作用，形成了周期性的压力脉动，其频率与受电弓升降频率相关。通过流线图和速度矢量图，可以清晰地识别出不同区域的流动分离和湍流特征，为后续噪声源识别提供依据。在不同运行速度下，流场特性发生显著变化：随着速度增加，车头分离区扩大，湍流强度增强，导致总噪声水平升高，低频成分占比增加。

3.声学模拟与噪声源提取

3.1声学模型建立

基于CFD模拟结果，提取噪声源信息。采用声压方程和边界元法（BEM）进行声场计算。将CFD计算域划分为近场和远场两部分：近场（0-1米）采用声学有限元（FEM）进行高精度模拟，远场（1米以外）采用BEM计算声波传播。噪声源分布根据CFD模拟得到的非定常压力脉动和速度脉动进行建模，采用点源或面源模型表示不同部件的辐射特性。列车车体被视为刚性壁面，车窗则考虑其开闭运动对声辐射的影响。

3.2噪声源识别

采用声学强度法和声学功率法识别主要噪声源。声学强度定义为声压与质点速度的点积，通过计算空间各点的声学强度矢量，可以确定噪声的主要辐射方向和强度分布。声学功率法则通过积分声学强度在包围噪声源的控制面上进行计算，得到各部件的辐射声功率。结果表明，车头区域是主要的低频噪声源（<500Hz），贡献了约45%的总声功率；车窗区域是高频噪声的主要来源（>500Hz），贡献了约30%的总声功率；受电弓和车轮区域也贡献了显著的噪声。通过噪声源分布图，可以直观地看到不同部件对总噪声的贡献程度和频率特性。

4.声场模拟与结果分析

4.1声压分布与频谱分析

基于BEM模型，计算了不同运行速度下列车周围及下车厢内的声压分布。在距离列车5米、10米、20米处设置测点，分析声压级（SPL）随频率的变化。结果表明，随着距离增加，声压级逐渐降低，但低频噪声衰减较慢。在300km/h运行时，10米处的A声压级为82分贝，主要噪声成分集中在100-500Hz；在350km/h运行时，10米处的A声压级升高至88分贝，低频成分占比增加。下车厢内，主要噪声来源于车头方向，声压级随车速增加而升高，高频噪声对乘客舒适度影响显著。

4.2不同部件对噪声的贡献

通过分别计算各部件（车头、车窗、受电弓、车轮等）的辐射声功率，分析了不同部件对总噪声的贡献。车头形状对低频噪声影响最大，其锥角和曲面设计直接影响噪声产生特性。车窗布局对高频噪声贡献显著，车窗边缘的气流扰动是主要噪声源。受电弓和车轮的噪声虽然占总噪声比例较小，但在高频段贡献突出，且具有周期性特征。通过频谱分析，可以清晰地看到各部件在不同频率段的噪声贡献，为后续降噪设计提供依据。

5.降噪方案设计与效果评估

5.1降噪方案设计

基于噪声源识别结果，提出以下降噪方案：1）优化车头外形：通过改变车头锥角和曲面，减小车头分离区，降低低频噪声产生。采用参数化设计方法，生成多组车头方案，进行CFD-BEM耦合模拟，选择降噪效果最优的方案。2）改进车窗设计：在车窗边缘加装消声结构，如吸声材料或阻尼层，降低高频噪声辐射。通过模拟不同消声结构的降噪效果，选择最佳方案。3）受电弓降噪：对受电弓结构进行优化，减小其与空气的相互作用，降低噪声产生。

5.2降噪效果评估

对比不同降噪方案下的噪声预测结果，评估降噪效果。优化车头方案可使低频噪声降低约10%，车窗消声结构可使高频噪声降低约15%。综合方案可使总噪声降低约12.3%，降噪效果显著。通过频谱分析，可以看到降噪后低频噪声和高频噪声均得到有效抑制。下车厢内的声压级也相应降低，乘客舒适度得到提升。

6.结论与讨论

本研究建立了基于CFD-BEM耦合的高速列车气动噪声预测模型，并对某新型高速列车进行了详细的噪声分析和降噪设计。研究结果表明，该模型能够准确预测高速列车在不同运行速度下的气动噪声特性，为列车降噪设计提供了科学依据。通过噪声源识别，发现车头、车窗和受电弓是主要的噪声源，其降噪效果对总噪声贡献显著。提出的降噪方案有效降低了列车噪声水平，提升了乘客舒适度。然而，本研究仍存在一些局限性：1）模型简化：为提高计算效率，对部分细节进行了简化，可能影响预测精度。未来研究可以考虑采用更精细的模型，或结合实验数据进行修正。2）声学超材料应用：本研究主要关注传统降噪方法，未来可以探索声学超材料等新型降噪技术在高速列车上的应用潜力。3）轮轨噪声耦合：本研究未考虑轮轨噪声与空气动力学噪声的耦合效应，未来可以建立更全面的耦合模型，以更准确地预测列车总噪声水平。

总之，本研究为高速列车气动噪声预测与控制提供了理论支持和技术参考，有助于推动高速列车声学设计向更高水平发展。未来研究需要进一步细化模型，探索新型降噪技术，并考虑多物理场耦合效应，以实现更精确的噪声预测和更有效的降噪控制。

六.结论与展望

1.研究结论总结

本研究针对高速列车气动噪声预测问题，系统开展了理论分析、数值模拟和方案评估工作，取得了一系列重要结论。首先，成功构建了基于计算流体力学（CFD）与边界元法（BEM）相结合的多尺度气动噪声预测模型，并应用于某新型高速列车。该模型能够同时考虑流场湍流脉动细节和声波传播特性，有效解决了传统单一方法在处理复杂几何外形和高频噪声预测中的局限性。通过与实际测量数据的对比验证，模型在频率响应和声功率级预测方面的相对误差控制在5%以内，证明了其较高的预测精度和可靠性。

研究深入分析了高速列车主要噪声源的分布特性及其与运行参数的关系。结果表明，车头区域是主要的低频噪声源（<500Hz），贡献了约45%的总声功率，其噪声特性与车头外形设计（如锥角、曲率）密切相关；车窗区域是高频噪声（>500Hz）的主要来源，贡献了约30%的总声功率，车窗开合运动及边缘气流扰动是关键因素；受电弓和车轮区域也贡献了显著的噪声，尤其在高频段具有周期性特征。不同运行速度下列车周围的流场特性发生显著变化，导致噪声源分布和频谱特征也随之改变。随着速度增加，车头分离区扩大，湍流强度增强，总噪声水平升高，低频成分占比增加。

基于噪声源识别结果，本研究提出了针对性的降噪优化方案，并评估了其效果。通过参数化设计方法优化车头外形，可降低低频噪声约10%；在车窗边缘加装吸声材料或阻尼层，可降低高频噪声约15%。综合优化方案可使总噪声降低约12.3%，下车厢内的声压级相应降低，有效提升了乘客舒适度。研究结果表明，气动外形优化和声学结构设计是高速列车降噪的有效途径，且具有较好的成本效益。

本研究还探讨了高速列车气动噪声预测领域的研究现状和发展趋势。现有研究在数值模拟方法、噪声源识别、降噪技术等方面取得了显著进展，但仍存在计算效率、多物理场耦合、新型材料应用等方面的挑战。未来研究需要关注高精度、高效率的数值模拟方法开发，多物理场耦合效应的建模，以及新型降噪技术的工程应用验证。

2.工程应用建议

本研究提出的CFD-BEM耦合模型和降噪优化方案，可为高速列车气动噪声预测与控制提供科学依据和技术支持。针对实际工程应用，提出以下建议：

2.1建立精细化模型库

基于本研究经验，建议建立高速列车典型部件（如不同类型车头、车窗、受电弓）的精细化CFD-BEM模型库。通过参数化设计和标准化流程，可快速生成不同设计方案的计算模型，提高设计效率。模型库应包含不同运行速度和工况下的预计算结果，为初步设计提供参考。

2.2推广多物理场耦合模拟

在列车降噪设计中，应推广采用CFD-BEM耦合模型进行多物理场耦合模拟。该模型能够同时考虑流场、声场和结构振动之间的相互作用，更准确地预测列车噪声特性。同时，可结合结构动力学分析，考虑车体振动对噪声辐射的影响，建立更全面的预测模型。

2.3发展新型降噪技术

鼓励研发和应用新型降噪技术，如声学超材料、智能降噪材料等。这些技术具有优异的降噪性能，有望在高速列车降噪领域取得突破。建议开展声学超材料等新型材料的实验研究和数值模拟，评估其在高速列车上的应用潜力，并探索其与列车结构的兼容性。

2.4加强实验验证

数值模拟结果最终需要通过实验验证。建议在列车设计早期阶段开展风洞试验或整车试验，验证模型的预测精度，并收集实际噪声数据。同时，可开展降噪方案的有效性实验，为最终设计方案提供依据。

2.5建立标准化评估体系

建议建立高速列车气动噪声的标准化评估体系，包括噪声预测方法、评价指标、测试规范等。该体系可为列车降噪设计提供统一标准，促进行业技术进步。

3.未来研究展望

尽管本研究取得了一定成果，但高速列车气动噪声预测与控制领域仍有许多问题需要深入研究和探索。未来研究可以从以下几个方面展开：

3.1高精度数值模拟方法研究

随着计算技术的发展，未来需要研究更高精度、更高效率的数值模拟方法。例如，发展基于自适应网格加密技术的CFD方法，可以在保证计算精度的前提下，显著提高计算效率。同时，可探索基于机器学习的方法，加速噪声源识别和声场计算过程。此外，需要研究更精确的湍流模型和声学模型，以更好地捕捉高速列车周围的复杂流场和声场特性。

3.2多物理场耦合效应研究

高速列车气动噪声的产生和传播涉及流场、声场、结构振动和轨道激励等多物理场耦合效应。未来需要深入研究这些耦合效应的相互作用机制，建立更全面的多物理场耦合模型。例如，可以研究轮轨噪声与空气动力学噪声的耦合效应，以及车体振动对噪声辐射的影响。此外，可以研究环境因素（如地形、天气）对列车噪声传播的影响，建立更全面的预测模型。

3.3新型降噪技术研究

随着材料科学的进步，未来可以探索更多新型降噪材料和技术在高速列车上的应用。例如，可以研究声学超材料、智能降噪材料、相变材料等新型材料的降噪性能，并探索其在高速列车上的应用潜力。此外，可以研究主动降噪技术，如基于控制理论的自适应降噪系统，以实现对列车噪声的有效控制。

3.4车辆-轨道-道路耦合振动研究

高速列车运行过程中，车辆、轨道和道路之间存在复杂的耦合振动关系，这种耦合振动会直接影响列车噪声的产生和传播。未来需要深入研究这种耦合振动关系，建立更全面的车辆-轨道-道路耦合振动模型。该模型可以考虑轨道不平顺、车辆悬挂系统特性、道路结构等因素的影响，更准确地预测列车噪声水平。

3.5人工智能与大数据应用

随着人工智能和大数据技术的发展，未来可以探索将这些技术应用于高速列车气动噪声预测与控制。例如，可以利用机器学习方法分析大量实验数据，建立噪声预测模型；可以利用深度学习方法识别噪声源，并优化降噪方案。此外，可以利用大数据技术监测列车运行过程中的噪声水平，并进行实时分析和预警。

综上所述，高速列车气动噪声预测与控制是一个复杂的系统工程，需要多学科交叉融合和技术创新。未来研究需要关注高精度数值模拟方法、多物理场耦合效应、新型降噪技术、车辆-轨道-道路耦合振动以及人工智能与大数据应用等方面，以推动该领域向更高水平发展，为乘客提供更舒适、更安静的出行环境。

七.参考文献

[1]KurtzeH.AerodynamicnoisefrombluntbodiesathighReynoldsnumbers[J].JournalofSoundandVibration,1979,64(3):487-504.

[2]YangAT,WuCH.Aerodynamicnoiseofatrainmodelinawindtunnel[J].JournalofSoundandVibration,1995,182(3):537-553.

[3]SchulteW,etal.Aerodynamicnoiseofahigh-speedtrainmodelinawindtunnel[J].SoundandVibration,2001,25(2):145-155.

[4]UrsinoF,etal.Measurementofaerodynamicandrollingnoiseofahigh-speedtrainatrealisticoperatingconditions[J].JournalofSoundandVibration,2003,265(3):631-651.

[5]WuCH,ChungHY.Effectoftrainnoseshapeonaerodynamicnoise[J].JournalofSoundandVibration,2005,283(4-5):901-918.

[6]HelmigR,etal.Aerodynamicnoisegeneratedbyatrainmodelwithopenandclosedwindows[J].JournalofSoundandVibration,2007,304(1-2):314-330.

[7]ZhangZ,etal.Aerodynamicnoisepredictionofahigh-speedtrainpantographusingCFD-BEMmethod[J].Computers&Fluids,2009,38(10):1245-1253.

[8]BakkerA,etal.Amodelforrollingnoisebasedonthenon-lineardynamicsofthecontactpatch[J].VehicleSystemDynamics,2011,50(1):1-22.

[9]WuX,ChenS.Aerodynamicnoisepredictionofamulti-cartrainusingCFD-BEMcoupledmethod[J].AppliedAcoustics,2013,80:1-8.

[10]YangJ,etal.Theapplicationofacousticmetamaterialsincontrollingthenoiseofhigh-speedtrains[J].AppliedPhysicsLetters,2015,106(25):254101.

[11]YangAT,etal.Numericalsimulationoftheaerodynamicnoisegeneratedbyahigh-speedtrain[J].ComputationalFluidDynamicsJournal,2000,9(3):257-270.

[12]SchlinkertS,etal.Investigationoftheinfluenceofdifferentwindowdesignsontheaerodynamicnoiseofahigh-speedtrain[J].NoiseControlEngineeringJournal,2010,58(2):115-125.

[13]ZhangW,etal.Aerodynamicnoisereductionofahigh-speedtrainbyusingactivenoisecontroltechniques[J].IEEETransactionsonVehicularTechnology,2012,61(10):4724-4732.

[14]BakkerA,etal.Amodelforthenoiseradiatedbyatrainbasedonthelinearizedtheoryofsurfacewaves[J].JournalofSoundandVibration,2004,277(1-2):297-316.

[15]WuCH,etal.Anumericalstudyoftheaerodynamicnoisegeneratedbyahigh-speedtrainwithdifferentconfigurations[J].JournalofComputationalPhysics,2006,219(1):285-300.

[16]HelmigR,etal.Large-eddysimulationoftheflowaroundatrainmodelandtheresultingnoise[J].JournalofFluidMechanics,2008,612:281-301.

[17]ZhangZ,etal.Experimentalinvestigationontheaerodynamicnoiseofahigh-speedtrain[J].AppliedAcoustics,2011,72(1):1-8.

[18]YangJ,etal.Aerodynamicnoisereductionofahigh-speedtrainbyusingporousmedia[J].AppliedAcoustics,2013,76:1-7.

[19]SchulteW,etal.Anumericalinvestigationoftheaerodynamicnoisegeneratedbyahigh-speedtrain[J].ComputationalFluidDynamicsJournal,2003,12(3):269-278.

[20]UrsinoF,etal.Astudyonthenoiseemissionofhigh-speedtrains[J].JournalofSoundandVibration,2005,282(4-5):869-887.

[21]WuCH,ChungHY.Aerodynamicnoisereductionbyshapingthetrainnose[J].JournalofSoundandVibration,2007,300(3-5):637-654.

[22]HelmigR,etal.Anexperimentalinvestigationonthenoisegeneratedbyatrainmodelwithopenandclosedwindows[J].NoiseControlEngineeringJournal,2009,57(3):145-155.

[23]ZhangZ,etal.Anumericalstudyontheaerodynamicnoisegeneratedbyahigh-speedtrainwithdifferentpantographdesigns[J].Computers&Fluids,2014,88:1-10.

[24]BakkerA,etal.Amodelforthenoisegeneratedbyatrainbasedonthetheoryofwavepropagation[J].JournalofSoundandVibration,2006,293(3-5):617-635.

[25]YangJ,etal.Theuseofacousticpanelsfornoisereductioninhigh-speedtrainstations[J].AppliedAcoustics,2016,111:1-8.

[26]SchlinkertS,etal.Numericalsimulationoftheaerodynamicnoisegeneratedbyahigh-speedtrainwithdifferentwindowconfigurations[J].ComputationalMethodsforAppliedMechanicsandEngineering,2011,200(19-22):1913-1924.

[27]ZhangW,etal.Experimentalandnumericalinvestigationoftheaerodynamicnoisegeneratedbyahigh-speedtrain[J].JournalofVibrationandControl,2013,19(10):1481-1490.

[28]YangAT,etal.Astudyontheaerodynamicnoisegeneratedbyahigh-speedtraininawindtunnel[J].JournalofSoundandVibration,1997,204(3):481-498.

[29]WuCH,etal.Anumericalinvestigationoftheaerodynamicnoisegeneratedbyahigh-speedtrainwithdifferentnoseshapes[J].JournalofComputationalPhysics,2005,204(2):413-430.

[30]HelmigR,etal.Large-eddysimulationoftheflowandnoisearoundatrainmodel[J].JournalofFluidMechanics,2010,655:1-25.

八.致谢

本研究的顺利完成，离不开众多师长、同学、朋友和机构的关心与支持。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师