基于条件式生成对抗网络的吸声覆盖层优化设计方法技术

本发明专利技术公开了一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，该设计方法基于条件式生成对抗网络

【技术实现步骤摘要】
基于条件式生成对抗网络的吸声覆盖层优化设计方法


[0001]本专利技术涉及吸声覆盖层优化设计
，具体为基于条件式生成对抗网络的吸声覆盖层优化设计方法
。

技术介绍

[0002]由于低频声波的波长较长，需要增加吸声覆盖层的厚度来实现低频
、
宽带和强吸声的吸声目标，因此，不利于实际应用
。
尽管传统的多孔介质材料，如多孔金属纤维和泡沫海绵等，由于它们具有良好的吸声特性，已被广泛应用于潜艇隐身
、
航空吸声
、
汽车隔音等领域，但存在最低有效吸声频率较高等缺点
。
吸声覆盖层复合结构的一个显着特征是空腔的局域共振，通过不同的腔体结构组合可以实现较低的吸收频率和较宽的吸声频带，从而在获得良好的吸声性能方面具有广阔的应用前景
。
[0003]对包含规则空腔的吸声覆盖层设计，如圆柱体
、
圆锥体
、
椭圆柱体及其组合等，是早期研究的重点，采用的研究方法主要有：
1、
通过研究无限长粘弹性圆柱管中轴对称波的传播模式和衰减，获得圆柱管外径与内径比
、
损耗因子和材料参数对相速度的影响
。2、
对嵌入局部共振散射体的各种粘弹性聚合物板吸声实验测量，参考
Mie
散射矩阵研究低频吸收的物理机制
。3、
对吸声覆盖层的低频吸声机理研究，数值计算吸声覆盖层的声学性能
。
此外，遗传算法用于计算组合腔体的最佳吸声系数
。
现有研究方法是基于单个规则空腔的参数优化设计，优化搜索的特征空间范围较小，优化的吸声效果也很有限
。
近年来，虽然拓扑优化方法在基于密度的方法
、
水平集方法
、
相场方法和拓扑导数方法等方面取得了长足的进步，然而，由于设计空间的高维非线性，对声波方程解析仍然是当前拓扑优化方法的挑战
。
深度学习方法可以解决输入结构材料参数和输出声学性能之间高维数据的非线性映射关系，例如：人工神经网络已被用于预测声学结构材料的声学特性，然而，预测模型难以优化结构和材料参数
。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，可以有效解决
技术介绍
中的问题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，该设计方法基于条件式生成对抗网络
(cGAN)
模型，
cGAN
模型包含一个生成器网络和一个鉴别器网络，其中，生成器将期望的吸声系数作为条件输入，并尝试生成不同于真实材料结构参数的样本输出，鉴别器则将生成的材料结构参数与真实的目标结构参数区分开来；
[0006]该优化设计方法包括以下两个主要步骤：
[0007]步骤一，使用数据集训练模型；
[0008]步骤二，使用经过训练的生成器网络生成新设计
。
[0009]作为本专利技术的一种优选技术方案，所述生成器网络通过使用基于
U
‑
Net
架构的编
码和解码模型来设计吸声系数，从而生成材料结构参数
。
[0010]作为本专利技术的一种优选技术方案，所述生成器是以吸声系数为条件与高斯分布合并后作为输入，其中，生成器的编码器网络包含三个卷积层，每个卷积层后面跟着一个批归一化层和一个
ReLU
层，生成器的解码器网络包含三个转置卷积层，每个转置卷积层后面跟着一个批归一化层和一个
ReLU
层，编码器和解码器形成一个对称的
U
‑
Net
网络
。
[0011]作为本专利技术的一种优选技术方案，为了防止深度卷积神经网络的过拟合，残差连接卷积层和相应的转置卷积层
。
[0012]作为本专利技术的一种优选技术方案，所述步骤一中的数据集由
86400
组材料和结构参数以及相应的吸声系数组成，该数据集通过二维有限元仿真模型构造
。
[0013]作为本专利技术的一种优选技术方案，在所述步骤一中，引入一个“Simulator”模型用于执行“真
‑
假”比较技术以降低评估模型性能的难度，通过手动检查不同时期生成的材料和结构参数来比较不同
Epoch
生成的材料结构对应的吸声系数，以测量生成效果，有助于在训练结束时选择最佳模型作为最终模型
。
[0014]作为本专利技术的一种优选技术方案，所述“真
‑
假”比较技术包括使用具有给定输入吸声系数
(
α
)
的
cGAN
模型生成一批材料和结构参数，然后通过模拟器模拟吸声系数
(
α
’
)
，通过与原始输入吸声系数
(
α
)
匹配，以比较和评估生成的材料和结构参数的质量和多样性
。
[0015]作为本专利技术的一种优选技术方案，所述步骤一中，
cGAN
网络通过有监督学习进行训练，包括特征提取和“真
‑
假”辨别两个部分，吸声系数被用作
cGAN
模型的输入，材料结构参数被用作生成器网络的输出
。
[0016]作为本专利技术的一种优选技术方案，所述步骤一中在数据集中随机选择两个吸声系数，在不同
Epoch
下进行验证，并选择训练到第
360
个
Epoch
的模型作为最优模型
。
[0017]作为本专利技术的一种优选技术方案，所述鉴别器网络和生成器网络都应用了
Dropout
层和正则化层来缓解过拟合
。
[0018]与现有技术相比，本专利技术的有益效果是：本专利技术提出了一种基于条件式生成对抗网络
(cGAN)
的吸声覆盖层优化设计方法，与传统方法
(
如遗传算法
)
相比，本方法不需要实时计算，模型被训练用于学习吸声覆盖层参数与其吸声性能之间的内在映射，然后使用经过训练的生成器网络来生成吸声覆盖层的空腔组合形状
。
本专利技术通过有限元法计算样品的吸声系数，使用二维仿真模型生成数据集
。
为减少计算量，采样频率范围为
200—6000Hz
，间隔为
200Hz
，总共有
30
个频率点
。
本专利技术构建了一个由
86400
组材料和结构参数以及相应的吸声系数组成的数据集，以训练和测试
cGAN
模型，解决了变半径和距离梯度参数的难以量化设计问题，最终目标是获得具有强吸收特性的空腔形状...

【技术保护点】

【技术特征摘要】
1.
一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征在于：该设计方法基于条件式生成对抗网络
(cGAN)
模型，
cGAN
模型包含一个生成器网络和一个鉴别器网络；其中，生成器将期望的吸声系数作为条件输入，并尝试生成不同于真实材料结构参数的样本输出，鉴别器则将生成的材料结构参数与真实的目标结构参数区分开来；该优化设计方法包括以下两个主要步骤：步骤一，使用数据集训练模型；步骤二，使用经过训练的生成器网络生成新设计
。2.
根据权利要求1所述的一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征在于：所述生成器网络通过使用基于
U
‑
Net
架构的编码和解码模型来设计吸声系数，从而生成材料结构参数
。3.
根据权利要求1所述的一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征在于：所述生成器是以吸声系数为条件与高斯分布合并后作为输入，其中，生成器的编码器网络包含三个卷积层，每个卷积层后面跟着一个批归一化层和一个
ReLU
层，生成器的解码器网络包含三个转置卷积层，每个转置卷积层后面跟着一个批归一化层和一个
ReLU
层，编码器和解码器形成一个对称的
U
‑
Net
网络
。4.
根据权利要求3所述的一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征在于：为了防止深度卷积神经网络的过拟合，残差连接卷积层和相应的转置卷积层
。5.
根据权利要求1所述的一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征在于：所述步骤一中的数据集由
86400
组材料和结构参数以及相应的吸声系数组成，该数据集通过二维有限元仿真模型构造
。6.
根据权利要求1所述的一种基于条件式生成对抗网络的吸声覆盖层优化设计方法，其特征...

【专利技术属性】
技术研发人员：孙一平，
申请(专利权)人：贵州开放大学贵州职业技术学院，
类型：发明
国别省市：