一种基于深度学习的3D打印超材料吸声性能调控方法技术

本发明专利技术提供一种基于深度学习的3D打印超材料吸声性能调控方法，包括以下步骤：获取3D打印超材料吸声性能样本数据集；基于深度学习构建吸声性能调控模型，并采用样本数据集进行训练；对于训练后的吸声性能调控模型，采用遗传算法根据不同任务目标对训练后的吸声性能调控模型进行全局优化，获取优化后的吸声性能调控模型；对于待测特定结构单元构成的吸声结构模型，将其对应的结构参数输入至优化后的吸声性能调控模型中进行预测，从而得到对应的吸声系数预测结果。本发明专利技术充分利用了以往的参数和经验数据，无需较多的人工干预，提高了对于吸声结构的特定结构单元的设计效率，并大幅减少设计过程中产生的人力、物力以及时间成本。物力以及时间成本。物力以及时间成本。

【技术实现步骤摘要】
一种基于深度学习的3D打印超材料吸声性能调控方法


[0001]本专利技术属于吸声结构设计领域，具体涉及一种基于深度学习的3D打印超材料吸声性能调控方法。

技术介绍

[0002]传统声能吸收材料虽然在工程中有着广泛的使用，但仍存在吸声频率较窄和材料使用效率低等缺点。而通过对亚波长尺度的材料结构进行设计能够有效控制声波在材料内部的传播，进而能够对材料的吸声性能和使用效率进行改善。因此，吸声超材料结构设计逐渐成为声学领域研究的热点和重点。
[0003]随着声学超材料的发展，超材料结构变得越来越复杂，通过直接计算超材料结构的声学解析方程来进行结构优化变得非常困难。目前一般使用3D打印设备对此类非标准化结构进行快速成型以进行吸声性能测试，不过考虑到3D打印测试的成本较高，在打印模型前通常会使用有限元仿真模型对结构的吸声性能进行试算，并根据仿真结果和声学原理对模型相关参数进行迭代调整修改，直至满足要求。然而，各种实际工程情况对于吸声材料的性能要求不同，这就需要通过对所设计结构的各个组成参数再次进行相应调整，并且重新进行实验分析以确定最优方案。可以看出，虽然目前声学超材料设计方法能够基本满足工程要求，但是其设计过程繁琐，需要大量的人工干预，同时以往设计使用的参数数据和经验无法被充分利用，进而使设计过程中的时间成本和经济成本大大增加。

技术实现思路

[0004]为解决上述问题，提供一种基于深度学习的吸声性能调控模型应用于3D打印超材料吸声性能预测，本专利技术采用了如下技术方案：
[0005]本专利技术提供了一种基于深度学习的3D打印超材料吸声性能调控方法，其特征在于，包括以下步骤：步骤a，获取3D打印超材料吸声性能样本数据集；步骤b，基于深度学习构建吸声性能调控模型，并采用样本数据集进行训练；步骤c，对于训练后的吸声性能调控模型，采用遗传算法根据不同任务目标对训练后的吸声性能调控模型进行全局优化，获取优化后的吸声性能调控模型；步骤d，对于待测特定结构单元构成的吸声结构模型，将其对应的结构参数输入至优化后的吸声性能调控模型中进行预测，从而得到对应的吸声系数预测结果。
[0006]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，吸声性能样本数据集包括自变量数据集和因变量数据集，具体的获取过程如下：步骤a1，对特定结构单元构成的吸声结构模型进行参数化设置，并将超材料结构参数作为自变量数据集；步骤a2，通过对3D打印的吸声结构模型进行实际测试获取吸声频率数据集，其中测试所得到的吸声频率为1/3倍程的若干频率点的吸声频率；步骤a3，根据吸声频率数据集计算实用吸声系数a
pi
来构建评价函数，并将计算得到的特定频率下的实用吸声系数a
pi
作为因变量数据集；其中，实用吸声系数a
pi
是该倍频带内3个临近1/3倍频带
吸声系数a
1i
、a
2i
和a
3i
的算术平均值，具体公式为：
[0007][0008]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，特定频率包括但不限于200Hz、250Hz、315Hz、400Hz、500Hz、630Hz、800Hz、1000Hz、1250Hz及1600Hz。
[0009]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，步骤b包括以下子步骤：步骤b1，将样本数据集按照预定比例分别划分为训练集、验证集和测试集；步骤b2，对训练数集进行数据扩增；步骤b3，构建基于深度学习的吸声性能调控模型，参考BP神经网络获取该模型的拓扑结构，并设定该拓扑结构的层数和每层的节点数；步骤b4，将数据扩增后的训练集D1输入至吸声性能调控模型，采用步骤b3得到的增强结果和和每次迭代训练的网络的损失函数值对该吸声性能调控模型进行迭代训练，获取训练后的吸声性能调控模型；其中，损失函数采用均方误差损失，表示如下：
[0010][0011]式中，t表示目标值，y表示预测值输出，i为网络的第i个节点，n为网络的总节点数。
[0012]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，数据扩增具体是：以实际测试结构中超材料结构参数为基础，在上限L
u
和下限L
d
范围内随机生成结构参数，使用有限元模拟仿真模型计算各结构参数对应的吸声系数，并将随机生成的结构参数和计算得到的吸声系数作为样本数据集的扩增部分。
[0013]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，步骤c包括以下子步骤：步骤c1，将训练后的吸声性能调控模型中的参数作为遗传算法中的个体，遗传算法中的个体包括输入层和隐含层连接值，隐含层阀值、隐含层与输出层连接权值以及输出层阀值四个部分；步骤c2，从规模为P
size
的种群中随机选择一个个体，按一定概率Pr
m
变异得到新个体；步骤c3，将变异得到的新个体中包含的权重值和阈值，赋予给步骤b3中所构建的吸声性能调控模型，并重复步骤b4的训练过程；步骤c4，使用步骤c4得到的吸声性能调控模型对验证集进行预测，将得到的各预测值与对应的实际值之间的误差绝对值作为个体的适应度F，其定义公式为：
[0014][0015]式中，t表示目标值，y表示预测值输出，i为网络的第i个节点，n为网络的总节点数，k为系数；步骤c5，从种群中抽取步骤c4中计算得出的适应度高的个体形成新种群；步骤c6，从种群中选择两个个体，按一定概率Pr
c
交叉得到新个体；步骤c7，若最优个体出现适应度函数值小于设定阈值F
best
时或者迭代次数达到预设值E时，算法终止，得到最优个体或选用达到预设值E后种群中存在的最优个体，作为参数优化的结果。
[0016]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有这样的技术特征，其中，在步骤c5中，抽取方法采用轮盘赌选择法。
[0017]本专利技术提供的一种基于深度学习的3D打印超材料吸声性能调控方法，还可以具有
这样的技术特征，其中，吸声系数预测结果为吸声结构模型的结构参数所对应的吸声频率与吸声系数。
[0018]专利技术作用与效果
[0019]根据本专利技术的一种基于深度学习的3D打印超材料吸声性能调控方法，该方法通过利用大量现有的超材料结构参数和结果建立样本数据库，基于深度学习构造吸声性能调控模型并进行模型训练，并且使用遗传算法对模型参数进行全局优化来提升模型预测准确性，从而获取到最优的吸声性能调控模型。将待测结构参数作为该最优的吸声性能调控模型的输入，即可直接获得待测结构参数所对应的吸声结构模型的吸声性能结果。本专利技术的基于深度学习的3D打印超材料吸声性能调控方法充分利用了以往的参数和经验数据，无需较多的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的3D打印超材料吸声性能调控方法，其特征在于，包括以下步骤：步骤a，获取3D打印超材料吸声性能样本数据集；步骤b，基于深度学习构建吸声性能调控模型，并采用所述样本数据集进行训练；步骤c，对于训练后的吸声性能调控模型，采用遗传算法根据不同任务目标对训练后的吸声性能调控模型进行全局优化，获取优化后的吸声性能调控模型；步骤d，对于待测特定结构单元构成的吸声结构模型，将其对应的结构参数输入至所述优化后的吸声性能调控模型中进行预测，从而得到对应的吸声系数预测结果。2.根据权利要求1所述的一种基于深度学习的3D打印超材料吸声性能调控方法，其特征在于：其中，所述吸声性能样本数据集包括自变量数据集和因变量数据集，具体的获取过程如下：步骤a1，对特定结构单元构成的吸声结构模型进行参数化设置，并将超材料结构参数作为自变量数据集；步骤a2，通过对3D打印的吸声结构模型进行实际测试获取吸声频率数据集，其中测试所得到的吸声频率为1/3倍程的若干频率点的吸声频率；步骤a3，根据所述吸声频率数据集计算实用吸声系数a
pi
来构建评价函数，并将计算得到的特定频率下的实用吸声系数a
pi
作为因变量数据集；其中，所述实用吸声系数a
pi
是该倍频带内3个临近1/3倍频带吸声系数a
1i
、a
2i
和a
3i
的算术平均值，具体公式为：3.根据权利要求2所述的一种基于深度学习的3D打印超材料吸声性能调控方法，其特征在于：其中，所述特定频率包括但不限于200Hz、250Hz、315Hz、400Hz、500Hz、630Hz、800Hz、1000Hz、1250Hz及1600Hz。4.根据权利要求1所述的一种基于深度学习的3D打印超材料吸声性能调控方法，其特征在于：其中，所述步骤b包括以下子步骤：步骤b1，将所述样本数据集按照预定比例分别划分为训练集、验证集和测试集；步骤b2，对所述训练数集进行数据扩增；步骤b3，构建基于深度学习的吸声性能调控模型，参考BP神经网络获取该模型的拓扑结构，并设定该拓扑结构的层数和每层的节点数；步骤b4，将数据扩增后的训练集D1输入至所述吸声性能调控模型，采用步骤b3得到的增强结果和和每次迭代训练的网络的损失函数值对该吸声性能调控模...

【专利技术属性】
技术研发人员：魏永起，汪昌颖，姚武，
申请(专利权)人：同济大学，
类型：发明
国别省市：