本發(fā)明屬于聲超材料逆向設(shè)計領(lǐng)域，具體的說是涉及一種考慮靈敏度的深度學(xué)習(xí)低頻吸聲超材料分步逆設(shè)計方法。

背景技術(shù)：

1、聲超材料通過調(diào)整材料的結(jié)構(gòu)和形狀，實現(xiàn)了對聲波傳播和反射的精確控制，這一特性為聲學(xué)領(lǐng)域的研究開辟了新的方向。實際場景下，人們通常期望基于聲學(xué)超構(gòu)材料的吸聲特性，快速得到其幾何參數(shù)。如何設(shè)計高性能聲超材料這類人工結(jié)構(gòu)。使其發(fā)揮期望的聲學(xué)性能是聲超材料設(shè)計的核心問題。傳統(tǒng)的正向設(shè)計方法，即根據(jù)初始結(jié)構(gòu)，通過仿真或者實驗獲得器件的聲學(xué)響應(yīng)數(shù)據(jù)，然后根據(jù)響應(yīng)數(shù)據(jù)修改初始結(jié)構(gòu)的參數(shù)，通過試錯逐步設(shè)計目標(biāo)器件。而隨著器件復(fù)雜性的增加，設(shè)計的計算成本和耗時也越來越大，傳統(tǒng)的正向設(shè)計方法不足以處理實際設(shè)計問題的計算復(fù)雜性。

2、逆向設(shè)計是直接根據(jù)所需的響應(yīng)目標(biāo)生成相應(yīng)的工作結(jié)構(gòu)，從而避免冗長的參數(shù)掃描或試錯。深度學(xué)習(xí)算法能夠在高維輸入和輸出數(shù)據(jù)之間建立非線性映射關(guān)系，具有強大的特征提取能力、泛化能力以及對復(fù)雜數(shù)據(jù)的處理能力，這些優(yōu)越性使得其成為解決逆設(shè)計問題的有力工具。對于聲學(xué)超材料，其吸聲性能與結(jié)構(gòu)參數(shù)密切相關(guān)。這些參數(shù)包括但不限于材料的厚度、孔徑、孔間距、排列方式以及空腔的大小等。這些參數(shù)的變化會直接影響器件的阻抗特性及對聲波的調(diào)控效果，多參數(shù)間的相互作用會使不同的幾何結(jié)構(gòu)有相同的吸聲響應(yīng)曲線。這種多映射情況會導(dǎo)致訓(xùn)練得到的網(wǎng)絡(luò)并不總是收斂，這是逆向映射中的典型問題。zhang等(zhang,h.,liu,j.,ma,w.et?al.learning?to?inversely?designacoustic?metamaterials?for?enhanced?performance.acta?mech.sin.39,722426(2023))提出了一種串聯(lián)神經(jīng)網(wǎng)絡(luò)架構(gòu)，在三維混合尺寸空腔水性吸聲超材料逆向設(shè)計中用目標(biāo)吸聲譜與預(yù)測吸聲譜之間的誤差對模型進(jìn)行訓(xùn)練。然而，串聯(lián)模型的發(fā)生器部分在訓(xùn)練中并不引入真實的結(jié)構(gòu)數(shù)據(jù)，這會影響最終的預(yù)測結(jié)果。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提出一種基于靈敏度實現(xiàn)物理機制增強的聲超材料逆設(shè)計方法。與傳統(tǒng)方法相比，通過分步物理參數(shù)的方法增強了模型的泛化能力，提升預(yù)測的準(zhǔn)確性。為了達(dá)到上述目的，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

2、本發(fā)明是一種考慮靈敏度的深度學(xué)習(xí)低頻吸聲超材料分步逆設(shè)計方法，該方法具體包括以下步驟：

3、步驟1、對待設(shè)計的結(jié)構(gòu)參數(shù)進(jìn)行靈敏度分析；

4、步驟2、建立聲學(xué)超材料結(jié)構(gòu)參數(shù)與其固定頻帶內(nèi)對應(yīng)的吸聲系數(shù)的數(shù)據(jù)集；

5、步驟3、針對不同靈敏度的參數(shù)訓(xùn)練不同的預(yù)測模塊，對不同的預(yù)測模塊的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；

6、步驟4、級聯(lián)優(yōu)化后的各預(yù)測模型組成完整的級聯(lián)分步預(yù)測模型a；

7、步驟5、使用測試數(shù)據(jù)集評估級聯(lián)分步預(yù)測模型a的泛化能力和性能。

8、本發(fā)明的進(jìn)一步改進(jìn)在于：所述步驟1對待設(shè)計的結(jié)構(gòu)參數(shù)進(jìn)行靈敏度分析具體包括如下步驟：

9、步驟1.1、根據(jù)具體設(shè)計要求確定輸入?yún)?shù)的取值范圍，對目標(biāo)結(jié)構(gòu)進(jìn)行有限元仿真，在設(shè)計參數(shù)的取值范圍內(nèi)隨機生成多組各參數(shù)取值數(shù)據(jù)點；

10、步驟1.2、對步驟1.1生成的每一組數(shù)據(jù)點，計算其靈敏度；

11、步驟1.3、對所有數(shù)據(jù)點的靈敏度結(jié)果進(jìn)行統(tǒng)計計算平均值，以評估整體靈敏度和不確定性，自定義matlab腳本進(jìn)行靈敏度分析，并創(chuàng)建圖形化報告以此直觀獲取幾何參數(shù)對結(jié)構(gòu)吸聲系數(shù)敏感性關(guān)系，根據(jù)靈敏度對待設(shè)計參數(shù)進(jìn)行排序。

12、本發(fā)明的進(jìn)一步改進(jìn)在于：所述步驟1.2計算靈敏度具體包括以下步驟：

13、步驟1.2.1、對于生成的每組數(shù)據(jù)點(x1,x2,...,xi,xi+1,...,xn)，計算其固定頻率范圍內(nèi)的吸聲系數(shù)譜α(x1,x2,...,xi,xi+1,...,xn)作為基準(zhǔn)解；

14、步驟1.2.2、使待設(shè)計結(jié)構(gòu)參數(shù)xi有一個微小攝動δx，用差分格式來計算α對設(shè)計變量參數(shù)xi的近似導(dǎo)數(shù)，其中，i＝1,2,...n，α表示吸聲系數(shù)譜。

15、本發(fā)明的進(jìn)一步改進(jìn)在于：在所述步驟1.2.1中，固定頻率范圍固定在0-700hz之間，步長為0.5。

16、本發(fā)明的進(jìn)一步改進(jìn)在于：所述步驟2中的生成數(shù)據(jù)集的方法包括基于聲電類比的公式分析法和comsol數(shù)值計算批量生成法。其中，聲電類比是一種將聲學(xué)問題與電磁學(xué)問題相類比的方法，這種方法通過利用電路理論和電路圖的分析方法來研究聲振動現(xiàn)象，但是基于聲電類比的公式分析法不適合所有吸聲結(jié)構(gòu)，尤其對于一些吸聲單元為不規(guī)則的形狀的吸聲結(jié)構(gòu)。對于一些不規(guī)則的吸聲結(jié)構(gòu)，使用comsol?multiphysics?with?matlab聯(lián)合仿真：matlab編寫的腳本來加載comsol模型并進(jìn)行批量化掃描。這個腳本作用包括循環(huán)遍歷參數(shù)值，在每個參數(shù)值下運行comsol模型的求解器，生成所需的數(shù)據(jù)、整合并導(dǎo)出數(shù)據(jù)集。

17、本發(fā)明的進(jìn)一步改進(jìn)在于：在所述步驟3針對不同靈敏度的參數(shù)訓(xùn)練不同的預(yù)測模塊，具體為包括以下步驟：

18、步驟3.1、根據(jù)步驟1靈敏度分析的結(jié)果確定各預(yù)測模塊的預(yù)測任務(wù)，對于靈敏度最低的參數(shù)，其對應(yīng)的預(yù)測模塊被設(shè)定為最基本的預(yù)測單元，此預(yù)測模塊僅接受已知特征作為輸入，無需引入額外的輔助預(yù)測參數(shù)。隨著參數(shù)靈敏度的增加，預(yù)測模塊的輸入端加入輔助預(yù)測參數(shù)即前一級預(yù)測模塊的輸出結(jié)果以提高預(yù)測精度；

19、步驟3.2、定義卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)各預(yù)測模塊的設(shè)計任務(wù)，調(diào)整網(wǎng)絡(luò)層參數(shù)；

20、步驟3.3、使用同一訓(xùn)練集訓(xùn)練各預(yù)測模塊，針對不同的模塊調(diào)整超參數(shù)以得到每個參數(shù)具有最低驗證誤差的網(wǎng)絡(luò)模塊。

21、本發(fā)明的進(jìn)一步改進(jìn)在于：在所述步驟4中，所述級聯(lián)分步預(yù)測模型a由各參數(shù)的預(yù)測模塊m1、m2、m3……mn組成，所述級聯(lián)分步預(yù)測模型a的獲取過程為：編寫matlab腳本實現(xiàn)各預(yù)測模塊的級聯(lián)，一組特征經(jīng)由第一級預(yù)測模塊m1預(yù)測靈敏度最低的參數(shù)；依次下一級模塊在上一級模塊輸入數(shù)據(jù)的基礎(chǔ)上加入上一級模塊的輸出參數(shù)為本模塊的輸入數(shù)據(jù)，依次完成所有模塊的級聯(lián)。

22、本發(fā)明的進(jìn)一步改進(jìn)在于：所述步驟5評估級聯(lián)分步預(yù)測模型a的泛化能力和性能是指選用平均絕對誤差(mae)作為衡量分步預(yù)測模型a預(yù)測結(jié)果與真實參數(shù)之間差異的指標(biāo)，具體為：將測試數(shù)據(jù)的吸聲響應(yīng)頻譜輸入整體模型進(jìn)行預(yù)測，使用平均絕對誤差(mae)作為衡量模型預(yù)測結(jié)果與真實參數(shù)之間差異，并隨機抽取多組預(yù)測參數(shù)比較預(yù)測結(jié)構(gòu)的吸聲系數(shù)曲線與目標(biāo)吸聲系數(shù)曲線，驗證模型a的真實預(yù)測情況。

23、

24、其中xi為實際參數(shù)，xi'是預(yù)測參數(shù)。

25、本發(fā)明的有益效果是：本發(fā)明提出了一種通過分析設(shè)計參數(shù)靈敏度，輔助卷積神經(jīng)網(wǎng)絡(luò)完成分步聲超材料逆設(shè)計的方法。靈敏度分析評估不同參數(shù)對于模型聲學(xué)響應(yīng)的敏感程度，為預(yù)測網(wǎng)絡(luò)提供了關(guān)于聲學(xué)超材料的先驗知識；在此基礎(chǔ)上，采用分步式疊加輔助參數(shù)輸入，避免了預(yù)測的不唯一性，并顯著提高了逆設(shè)計的準(zhǔn)確性。尤其在實際的應(yīng)用中，能更清晰地指導(dǎo)設(shè)計人員在具體要求下結(jié)構(gòu)參數(shù)的設(shè)計，實現(xiàn)了隨需應(yīng)變的設(shè)計應(yīng)用，極大地提高了設(shè)計的靈活程度。