每日新文 | 基于深度学习的低频吸声超表面优化设计方法

这篇文章提出了一种基于深度学习的优化设计方法，用于创建低频声音吸收超表面。

1. 问题背景 ：低频噪声因其长波长和强穿透力难以控制，传统材料需要较厚才能有效吸收，限制了其在空间受限环境中的应用。

2. 声学超表面 ：作为一种新型材料，声学超表面因其超薄几何结构和亚波长单元阵列，展现出在低频噪声控制方面的潜力。

3. 方法介绍 ：文章介绍了自动编码器类神经网络（ALNN），用于快速实现低频声学吸收超表面的按需设计，显著加速了逆向设计过程。

4. 设计过程 ：通过训练ALNN，可以在有限的时间内优化设计，以达到最大带宽、最小厚度和最小重量的目标。

5. 实验验证 ：作者通过数值模拟和实验验证了所提出方法的有效性，成功设计了50Hz-100Hz低频范围内的声学超表面。

低频噪声长期以来一直是噪声控制中的一个挑战，而声学超表面凭借其超薄的几何形状已成为低频声学控制最可行的解决方案之一。声学超表面通常由几个结构参数控制。通常，传统的超表面设计方法通常涉及广泛的理论分析和数值模拟，以实现所需的性能。这个过程需要频繁调整结构参数和大量的计算资源。在该文中，作者介绍了一种使用类似自编码器的神经网络 （ALNN） 快速实现低频吸声超表面按需设计的方法，该方法可以显着加快 ALNN 训练后的逆向设计过程。作者已经成功地应用该方法在极低频率范围（50Hz-100Hz）实现了声学超表面的按需设计，并且可以在有限的时间内根据最大带宽、最小厚度和最小重量优化设计。通过数值模拟和实验验证了该方法的有效性。作者的工作有助于加速超表面吸收体的设计，特别是为低频吸声应用和研究提供新的途径。