学术前沿 | 机器学习 – 实现具有最佳声音和能量吸收的壳基晶格超材料的逆向设计

本文提出了一种结合NSGA-II和机器学习算法来解决具有最佳声和能量吸收的壳基晶格结构的反设计问题。其主要结论如下：

(1)在力学性能方面，有限元法与实验结果具有较好的一致性，可以以比实验更短的时间生成大数据集。此外，还研究了不同材料下结构相同的样品的吸声系数。这证实了设计构型的声学性能主要由晶格结构决定，因此我们可以使用更便宜、更快的树脂dlp3d打印来取代昂贵的不锈钢LPBF打印来进行声学性能研究。

(2)神经网络在预测贝壳基晶格超材料的力学和声学性能方面具有较高的精度。同时，对神经网络模型的结构进行了研究，通过适当的隐层参数调整，引入退出策略，前向预测的平均精度可达到95%以上。

(3)当RD设置为30%时，本项目中的壳基晶格超材料可分为封闭单元几何和开放单元几何进行声学测试。KNN技术可以对ml生成的配置进行精确的分类，并可以通过PCA将其细节映射到二维设计空间中。

(4)利用精英函数，NSGA-II可以在20个循环内生成所需的帕累托解。所得到的超材料不仅具有较高的能量吸收能力，比标准的甲状腺结构高出50%，而且在规定的频率范围内还具有较高的吸声系数。