文章简介
这篇论文的标题是《Machine learning-based optimal design of an acoustic black hole metaplate for enhanced bandgap and load-bearing capacity》，发表在《Mechanical Systems and Signal Processing》期刊上，影响因子为8.4，发表日期为2024年4月18日。
主要内容包括：
设计目标：提出了一种基于机器学习的优化策略，用于设计多功能声学黑洞(ABH)超材料板。目标是实现一种既具有优异弹性波衰减性能，又具有良好承载能力的超材料板。
设计方法：论文首先描述了纳米复合ABH超材料板的设计，提出了一种新的实现多功能超材料板的途径。
理论基础：介绍了一种基于板理论和Bloch-Floquet定理的半解析方法，用于考虑纳米复合超材料板的带结构。
系统分析：通过系统分析，突出了ABH效应、纳米复合增强层和粘弹性阻尼层对带隙和应变能合规性的影响。
性能验证：在不同测试下证明了该优化策略的鲁棒性和效率。结果表明，所提出的策略在计算效率和平衡多个目标方面超越了遗传算法和非支配排序遗传算法II。
研究意义：这项研究为未来多功能先进超材料的开发和应用提供了宝贵的参考。
简而言之，这篇论文主要研究了如何利用机器学习技术优化设计声学黑洞超材料板，以提高其在弹性波衰减和承载能力方面的性能，并通过实验验证了所提策略的有效性。
该文介绍了一种新颖的基于机器学习的多功能声学黑洞（ABH）元板的优化策略。主要目标是实现同时具有优异的弹性波衰减和承载能力的多功能金属板。该文首先描述了纳米复合材料 ABH 超板的设计，提出了实现多功能超板的新途径。然后，引入基于板理论和Bloch-Floquet定理的半解析方法来考虑纳米复合材料超板的能带结构。通过系统分析，强调了ABH效应、纳米复合材料增强体和粘弹性阻尼层对带隙和应变能柔量的影响。同时，分别推导了代表带隙特性和面内刚度的两个优化目标。随后，采用深度学习代理模型来建立涉及重要参数与优化目标的关系。性能评估确认了代理模型的准确性和计算速度。最后，提出了一种基于深度强化学习的优化策略，以获得具有优异带隙、增强面内刚度或两者兼而有之的多功能元板。该策略的稳健性和效率在不同的测试中得到了证明。结果表明，该策略可以达到与遗传算法和非支配排序遗传算法-II相同的结果，但在计算效率和平衡多目标方面优于它们。该研究结果为多功能先进超材料的未来开发和应用提供了有价值的参考。
提议的ABH复板示意图。(a)平板。(b)嵌入的ABH。(c) ABH复板。(d)含gpl和玻璃纤维的纳米复合增强ABH复合板。(e)具有粘弹性阻尼层的纳米复合ABH复板。
基于机器学习的多目标优化策略流程图
(a)𝑃1的能带结构由sap - fem计算(红点)，COMSOL Multiphysics 6.0模拟(蓝线)。(b) AT(红点)和TL(蓝线)的比较。紫色虚线为由式(42)得到的𝑓𝑐𝑢𝑡−𝑜𝑛。紫色五角形突出了重要的模态振型，如图4所示。
图3中紫色五角形标记的显著模态振型和相应的归一化频率。彩虹色分布表示N∕M2中的von Mises应力峰
图1所示为四个独立的元板的透射光谱。橙色、蓝色、红色、绿色分别代表metaplates的TL曲线𝑃0、𝑃1、𝑃2、𝑃3。
图5中不同紫色符号表示的模态振型。彩虹色分布表示N∕M2中的von Mises应力峰
复板的带结构(a)𝑃1，(b)𝑃2，(c)𝑃3。(d)它们对应的衰减曲线。紫色虚线代表𝑓𝑐𝑢𝑡−𝑜𝑛。
带隙随几何参数(a)𝑥1，(b)𝑥2和体积分数(c)𝐺，(d)变化
(a)𝐹1、(b)𝐹2与四个显著参数𝑥1、𝑥2、z(𝐺)、z()之间的关系
(a) DLS模型的收敛历史。蓝线为训练损失，红线为验证损失。绿色虚线为最小损失，其值为0.0065。(b)𝐹1(蓝点)和𝐹2之间的比较(红点)由DLS模型预测和sap - fem方法计算。决定系数𝑅2 = 0.9915
(a)𝐹1和(b)𝐹2优化的收敛历史。红色曲线表示正在优化的目标，同时也表示相应的奖励，蓝色虚线表示对应的另一个目标。绿色虚线表示遗传算法得到的最优值。紫色圆圈表示优化的初始值和最终值，紫色虚线箭头表示相应的能带结构和𝐹2值。
(a)具有相同初始值的四个优化过程的收敛历史。(b)不同初始值下四个优化过程的收敛历史。
多目标优化结果。蓝点为NSGA-II获得的帕累托锋。红色五角形表示采用不同权重因子𝑤1和𝑤2的方法得到的最优解。最优结果的几何图形由小图形表示。
(a-d)图13中帕累托锋面四个红色五角星的波段结构及对应的𝐹2值。(e)它们对应的衰减曲线。紫色虚线代表𝑓𝑐𝑢𝑡−𝑜𝑛。
不同多目标优化测试的探索率和相应的收敛历史为0。(a)(d)初始值相同、权重系数不同的四项试验。(b)(e)具有不同初始值和相同权重因子的四项试验。(c)(f)具有相同初始值和相同权重因子的四项试验。
该文提出了一种基于机器学习的纳米复合声学黑洞元板优化策略，以最大面内刚度最大化一阶耦合相对带隙宽度。首先，这项工作描述了纳米复合ABH元板的设计。结合ABH单元优越的弯曲波衰减特性和纳米复合材料增强材料的面内刚度特性，提出了纳米复合ABH复合材料。然后，采用基于平板理论和Bloch-Floquet定理的半解析方法研究了波的传播特性。通过与COMSOL Multiphysics 6.0仿真结果的比较和模态振型分析，验证了数值结果的正确性。纳米复合材料增强层和粘弹性阻尼层的引入显著影响了ABH复合材料的承载性能和弯曲波衰减性能。纳米复合材料增强面内刚度，粘弹性阻尼层增强弯曲波衰减。同时，推导出优化目标𝐹1为带隙特性，𝐹2为应变能柔度。
随后，引入了一种基于CNN的深度学习代理模型来提高计算效率。通过使用sap - fem离线计算的数据集，DLS模型允许在优化过程中进行在线预测，从而实现两个目标的同时计算。DLS模型的这些优点大大提高了迭代优化过程的效率。与sap - fem相比，计算速度提高了约1000倍，决定系数𝑅2 = 0.9915。最后，提出了一种基于DQN的深度强化学习策略来解决优化问题。该策略采用sap - fem和DLS模型建立物理环境，agent与环境相互作用，实现最终优化目标。所提出的优化策略在1和2的单目标优化以及1和𝐹2的多目标优化中表现出优异的性能。1和𝐹2的性能分别提高了70.69%和77.10%。此外，在不同的权重因子、不同的初始值和不同的测试条件下，该方法具有较好的准确性和鲁棒性。得到的结果与遗传算法和NSGA-II的结果一致，同时具有更高的计算效率和改进的多目标平衡能力。通过选择不同的权重因子，可以得到对某一目标更感兴趣的解。这项研究强调了深度强化学习在解决机械优化问题方面的显著优势。深度强化学习，通过与环境的持续互动，寻求最大的奖励和实现优化，而不需要对机械问题本身有广泛的先验知识。虽然深度强化学习在智能体-环境交互过程中经常消耗大量的计算资源，但本研究中采用的DLS模型有效地缓解了这一问题。该文提出的优化策略和概念并不局限于这一特定问题，可以适用于其他超材料的优化或设计，具有极大推进超材料发展和应用的潜力
【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！！！
Machine learning-based optimal design of an acoustic black hole metaplate for enhanced bandgap and load-bearing capacity；DOI: 10.1016/j.ymssp.2024.111436
