学术前沿 | 基于深度学习的低频吸声超表面优化设计方法

低频噪声一直是噪声控制中的一个挑战，声学超表面因其超薄的几何结构，已成为低频声学控制最可行的解决方案之一。声学超表面通常由多个结构参数控制。传统的超表面设计方法通常涉及广泛的理论分析和数值仿真，以实现所需的性能。这个过程需要频繁调整结构参数，并消耗大量计算资源。 本文介绍了一种通过类似自编码器的神经网络（ALNN）快速实现低频声学吸收超表面按需设计的方法，该方法在ALNN训练完成后能够显著加速反向设计过程。我们成功地将该方法应用于在非常低频范围（50Hz-100Hz）内按需设计声学超表面，并能根据最大带宽、最小厚度和最小重量在有限时间内优化设计。通过数值仿真和实验验证了该方法的有效性。我们的研究有助于加速超表面吸声器的设计，特别是为低频声学吸收应用和研究提供了新的途径。