本發(fā)明屬于聲超材料逆向設(shè)計(jì)領(lǐng)域，具體的說(shuō)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(jì)方法。

背景技術(shù)：

1、聲超材料通過(guò)調(diào)整材料的結(jié)構(gòu)和形狀，實(shí)現(xiàn)了對(duì)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(kāi)辟了新的方向。實(shí)際場(chǎng)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(jì)高性能聲超材料這類(lèi)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(jì)的核心問(wèn)題。傳統(tǒng)的正向設(shè)計(jì)方法，即根據(jù)初始結(jié)構(gòu)，通過(guò)仿真或者實(shí)驗(yàn)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(guò)試錯(cuò)逐步設(shè)計(jì)目標(biāo)器件。而隨著器件復(fù)雜性的增加，設(shè)計(jì)的計(jì)算成本和耗時(shí)也越來(lái)越大，傳統(tǒng)的正向設(shè)計(jì)方法不足以處理實(shí)際設(shè)計(jì)問(wèn)題的計(jì)算復(fù)雜性。

2、逆向設(shè)計(jì)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(zhǎng)的參數(shù)掃描或試錯(cuò)。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(qiáng)大的特征提取能力、泛化能力以及對(duì)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(jì)問(wèn)題的有力工具。對(duì)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(huì)直接影響器件的阻抗特性及對(duì)聲波的調(diào)控效果，多參數(shù)間的相互作用會(huì)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(huì)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(wèn)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(jì)中用目標(biāo)吸聲譜與預(yù)測(cè)吸聲譜之間的誤差對(duì)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(shí)的結(jié)構(gòu)數(shù)據(jù)，這會(huì)影響最終的預(yù)測(cè)結(jié)果。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提出一種基于靈敏度實(shí)現(xiàn)物理機(jī)制增強(qiáng)的聲超材料逆設(shè)計(jì)方法。與傳統(tǒng)方法相比，通過(guò)分步物理參數(shù)的方法增強(qiáng)了模型的泛化能力，提升預(yù)測(cè)的準(zhǔn)確性。為了達(dá)到上述目的，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)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(jì)方法，該方法具體包括以下步驟：

3、步驟1、對(duì)待設(shè)計(jì)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(duì)應(yīng)的吸聲系數(shù)的數(shù)據(jù)集；

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

6、步驟4、級(jí)聯(lián)優(yōu)化后的各預(yù)測(cè)模型組成完整的級(jí)聯(lián)分步預(yù)測(cè)模型a；

7、步驟5、使用測(cè)試數(shù)據(jù)集評(píng)估級(jí)聯(lián)分步預(yù)測(cè)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(duì)待設(shè)計(jì)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(jì)要求確定輸入?yún)?shù)的取值范圍，對(duì)目標(biāo)結(jié)構(gòu)進(jìn)行有限元仿真，在設(shè)計(jì)參數(shù)的取值范圍內(nèi)隨機(jī)生成多組各參數(shù)取值數(shù)據(jù)點(diǎn)；

10、步驟1.2、對(duì)步驟1.1生成的每一組數(shù)據(jù)點(diǎn)，計(jì)算其靈敏度；

11、步驟1.3、對(duì)所有數(shù)據(jù)點(diǎn)的靈敏度結(jié)果進(jìn)行統(tǒng)計(jì)計(jì)算平均值，以評(píng)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(bào)告以此直觀獲取幾何參數(shù)對(duì)結(jié)構(gòu)吸聲系數(shù)敏感性關(guān)系，根據(jù)靈敏度對(duì)待設(shè)計(jì)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(jì)算靈敏度具體包括以下步驟：

13、步驟1.2.1、對(duì)于生成的每組數(shù)據(jù)點(diǎn)(x1,x2,...,xi,xi+1,...,xn)，計(jì)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(jì)結(jié)構(gòu)參數(shù)xi有一個(gè)微小攝動(dòng)δx，用差分格式來(lái)計(jì)算α對(duì)設(shè)計(jì)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(zhǎng)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(lèi)比的公式分析法和comsol數(shù)值計(jì)算批量生成法。其中，聲電類(lèi)比是一種將聲學(xué)問(wèn)題與電磁學(xué)問(wèn)題相類(lèi)比的方法，這種方法通過(guò)利用電路理論和電路圖的分析方法來(lái)研究聲振動(dòng)現(xiàn)象，但是基于聲電類(lèi)比的公式分析法不適合所有吸聲結(jié)構(gòu)，尤其對(duì)于一些吸聲單元為不規(guī)則的形狀的吸聲結(jié)構(gòu)。對(duì)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(xiě)的腳本來(lái)加載comsol模型并進(jìn)行批量化掃描。這個(gè)腳本作用包括循環(huán)遍歷參數(shù)值，在每個(gè)參數(shù)值下運(yùn)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(duì)不同靈敏度的參數(shù)訓(xùn)練不同的預(yù)測(cè)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(cè)模塊的預(yù)測(cè)任務(wù)，對(duì)于靈敏度最低的參數(shù)，其對(duì)應(yīng)的預(yù)測(cè)模塊被設(shè)定為最基本的預(yù)測(cè)單元，此預(yù)測(cè)模塊僅接受已知特征作為輸入，無(wú)需引入額外的輔助預(yù)測(cè)參數(shù)。隨著參數(shù)靈敏度的增加，預(yù)測(cè)模塊的輸入端加入輔助預(yù)測(cè)參數(shù)即前一級(jí)預(yù)測(cè)模塊的輸出結(jié)果以提高預(yù)測(cè)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(cè)模塊的設(shè)計(jì)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(cè)模塊，針對(duì)不同的模塊調(diào)整超參數(shù)以得到每個(gè)參數(shù)具有最低驗(yàn)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(jí)聯(lián)分步預(yù)測(cè)模型a由各參數(shù)的預(yù)測(cè)模塊m1、m2、m3……mn組成，所述級(jí)聯(lián)分步預(yù)測(cè)模型a的獲取過(guò)程為：編寫(xiě)matlab腳本實(shí)現(xiàn)各預(yù)測(cè)模塊的級(jí)聯(lián)，一組特征經(jīng)由第一級(jí)預(yù)測(cè)模塊m1預(yù)測(cè)靈敏度最低的參數(shù)；依次下一級(jí)模塊在上一級(jí)模塊輸入數(shù)據(jù)的基礎(chǔ)上加入上一級(jí)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(jí)聯(lián)。

22、本發(fā)明的進(jìn)一步改進(jìn)在于：所述步驟5評(píng)估級(jí)聯(lián)分步預(yù)測(cè)模型a的泛化能力和性能是指選用平均絕對(duì)誤差(mae)作為衡量分步預(yù)測(cè)模型a預(yù)測(cè)結(jié)果與真實(shí)參數(shù)之間差異的指標(biāo)，具體為：將測(cè)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(cè)，使用平均絕對(duì)誤差(mae)作為衡量模型預(yù)測(cè)結(jié)果與真實(shí)參數(shù)之間差異，并隨機(jī)抽取多組預(yù)測(cè)參數(shù)比較預(yù)測(cè)結(jié)構(gòu)的吸聲系數(shù)曲線與目標(biāo)吸聲系數(shù)曲線，驗(yàn)證模型a的真實(shí)預(yù)測(cè)情況。

23、

24、其中xi為實(shí)際參數(shù)，xi'是預(yù)測(cè)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(guò)分析設(shè)計(jì)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(jì)的方法。靈敏度分析評(píng)估不同參數(shù)對(duì)于模型聲學(xué)響應(yīng)的敏感程度，為預(yù)測(cè)網(wǎng)絡(luò)提供了關(guān)于聲學(xué)超材料的先驗(yàn)知識(shí)；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(cè)的不唯一性，并顯著提高了逆設(shè)計(jì)的準(zhǔn)確性。尤其在實(shí)際的應(yīng)用中，能更清晰地指導(dǎo)設(shè)計(jì)人員在具體要求下結(jié)構(gòu)參數(shù)的設(shè)計(jì)，實(shí)現(xiàn)了隨需應(yīng)變的設(shè)計(jì)應(yīng)用，極大地提高了設(shè)計(jì)的靈活程度。