摘要：
层压板式声学超材料（LPAM）具有可设计的低频隔音性能和超薄超轻的特性。然而，LPAM 设计的复杂性随着层数的增加而显着增加。提出了一种基于深度学习的逆向设计方法来确定LPAM的拓扑和设计参数。为了训练深度学习模型，将有限元模型和分析模型相结合以生成足够的训练数据。对有限元模型和声阻抗模型进行实验验证，减少实验与仿真的偏差。LPAM设计系统包含预处理、逆设计和后处理模块。预处理模块可以根据所需的隔声设计目标产生候选目标。对于每个候选目标，逆向设计模块利用卷积神经网络自主设计 LPAM 的拓扑和参数。最后，结合预处理和后处理模块来选择满足隔音目标的可选LPAM。为验证LPAM设计系统的有效性，成功、高效地设计了1个、2个隔声峰的隔声目标以及50Hz~600Hz宽带内均匀隔声的典型案例。
具有Floquet边界条件的凸轮单元有限元模型。
(a)凸轮单元的结构和几何参数。(b)整个CAM结构示意图。
CAM stl对(a)框架长度L， (b)膜厚Hm， (c)约束下圆半径R， (d)单元数的敏感性分析。
N层CAM层合LPAM的声阻抗模型。
采用解析模型计算LPAM的STLs。(a)各CAM层和层间有无泡沫层的LPAM的stl。(b)不同泡沫层厚度下LPAM的stl。
采用声阻抗法和有限元模型分别计算了LPAM的声阻抗曲线。(a)无泡沫层LPAM， (b)有泡沫层LPAM
由参数设计器和STL预测器组成的串联神经网络。
预处理模块，将目标STL转换为多个候选STL。
后处理模块，以区分不合格的LPAM。
cnn的架构。
(a)参数设计人员在训练过程中的训练和测试损失。(b)基于测试集的反设计系统产生的目标stl和设计stl。
案例1的设计STL、目标STL和基于质量定律的STL的比较
案例2中设计STL、目标STL和基于质量定律的STL的比较
案例3的设计STL、目标STL和基于质量定律的STL的比较
(a) CAM1、(b) CAM2、(c)无泡沫层的LPAM-d和有泡沫层的LPAM-d的模拟STL与无限单元模拟STL的比较。
结论：
本文提出了一种深度学习设计系统，旨在降低层合板型声学超材料(LPAM)的设计复杂性，提高其工程应用的隔声性能的可设计性。使用经过验证的数值模型生成深度学习模型的训练数据集。LPAM设计系统包括反设计模块和预处理/后处理模块。针对LPAM的特点，设计了由拓扑设计器和参数设计器组成的逆设计模块，实现了不同拓扑和参数的LPAM设计。参数设计器的训练采用串联神经网络，该神经网络带有修正的损失函数来判断所设计的stl的不可接受误差。使用引入的预处理/后处理模块，针对相同的目标隔音性能设计了多个合格的lpam，允许从不同的工程目标对lpam进行评估。以单峰、双峰和宽频率范围内均匀隔声为例，验证了该设计系统的准确性和有效性。最后，通过实验对有限元模型和声阻抗模型进行了验证。尽管深度学习的泛化能力和前后处理模块使LPAM设计系统能够在训练集之外反向设计目标STL，但如果LPAM无法实际实现目标STL，则训练集对样本空间的表示就会变得不足，这可能导致LPAM设计系统失败。在实际的设计过程中，需要额外的预处理步骤来确保目标stl对于LPAM实现是可行的。【免责声明】本文中的部分图片和文字信息来自该文献，版权归原作者所有，此公众号的所有文章仅用于学习，对文中发表的观点和分析保持中立，如果您认为文中信息来源或者分析观点有误，又或者涉及版权、隐私等问题，请及时私信联系，本公众号将立即删除修改，谢谢各位小可爱们的关注！！！
Inverse design of laminated plate-type acoustic metamaterials for sound insulation based on deep learning； DOI: 10.1016/j.apacoust.2024.109906
