[发明专利]一种基于深度学习的二阶亥姆霍兹共鸣器设计方法

说明书

本发明公开了一种基于深度学习的二阶亥姆霍兹共鸣器设计方法，用于基于二阶亥姆霍兹共鸣器的两个共振频率f₁和f₂，对二阶亥姆霍兹共鸣器的几何参数进行设计；所述方法包括：针对具体的设计需求生成N条符合要求的隔声曲线，并将N条隔声曲线输入预先建立和训练好的深度神经网络模型，输出N组对应的等效电学参数；基于二阶亥姆霍兹共鸣器几何参数和等效电学参数间的转换关系公式，根据N组等效电学参数，计算出N组二阶亥姆霍兹共鸣器的几何参数；根据N组二阶亥姆霍兹共鸣器的几何参数计算对应的隔声曲线，从N条隔声曲线中选择出最优隔声曲线，将最优隔声曲线对应的二阶亥姆霍兹共鸣器几何参数作为设计出的结构参数。

技术领域

本发明涉及深度学习领域，特别涉及一种基于深度学习的二阶亥姆霍兹共鸣器设计方法。

背景技术

声人工结构是一种人工设计的复合结构，这种复合结构的性质主要取决于其结构外观尺寸形状以及排列方式，因而具备很多天然材料所不具备的新奇物理特性。在声人工结构的实际应用中，我们常常需要根据期望的物理性能对单元的几何结构进行设计，这种设计是一种典型的逆向设计问题。传统的设计路线可以分为两部分：首先，我们可以借助一些经典的物理模型和从之前的实践中积累的经验和直觉来确定模型的框架。例如我们可以基于亥姆霍兹共鸣器结构来实现吸隔声，可以通过迷宫结构构造超表面来调控相位实现准直等。尽管这些物理模型为我们的设计提供了重要的指导方针，但最终确定结构的几何参数来实现指定的物理特性并非易事，尤其是当结构的几何参数较多且相互存在耦合时。这时就进入到第二个步骤，我们需要利用有限元法等数值模拟方法不断微调这些几何参数，通过大量的正向计算不断迭代来逐步接近我们的设计目标。然而，上述方法很大程度上依赖过往的设计经验，且具有较高的计算成本，导致设计效率很低。因此，为了能够从根本上解决这个具有挑战的逆设计问题，我们希望有一个方法可以直接得到符合我们预期的声人工结构，而并非局限于经验设计和正向逼近。

随着近年来机器学习的不断发展，以深度神经网络为代表的深度学习模型不仅在包括计算机视觉、自然语言处理、语音识别、知识图谱等计算机科学及工程领域取得了突破性的进展，还在包括材料科学，化学，量子力学等其他学科领域展示了其独特的优势。与传统方法相比，深度学习模型可以通过数据驱动的方式从大量的数据中心自动的发现和学习有用的信息。因此，对于声人工结构设计而言，经过大量数据的训练后的深度学习模型可以将传统的经验和直观设计转变成基于数学模型的自动优化设计方法，从而可以快速获得符合我们预期的性能卓越的声人工结构。

亥姆霍兹共鸣器结构(Helmholtz Resonator,HR)是一类较为经典的声人工结构，与传统的一阶亥姆霍兹共鸣器相比，二阶亥姆霍兹共鸣器(Two-order HelmholtzResonator,THR)拥有更丰富的共振模式。在结构大小相同的情况下，THR可以在低频共振频率基本不改变的基础上，比传统的一阶亥姆霍兹共鸣器多出额外的高频共振峰。然而，THR由于几何参数较多，且参数之间存在耦合，很难对其物理特性进行解析求解。因此，传统的THR设计方法一方面需要有丰富的经验进行结构选取，另一方面还需要针对目标参数进行大量尝试，不仅对设计者本身有很高要求，往往也会消耗大量的时间。因此，我们希望能基于深度学习算法对THR结构进行自动化的设计，从而降低计算成本，减少对经验知识的依赖。

发明内容

本发明的目的在于克服上述缺陷，提出一种基于深度学习的二阶亥姆霍兹共鸣器设计方法，该方法在给定几何参数范围和工作频段的基础上，可以自动化的设计二阶亥姆霍兹共鸣器的几何参数，以实现特定的声学特性。

为实现上述目的，本发明提出了一种基于深度学习的二阶亥姆霍兹共鸣器设计方法，用于基于二阶亥姆霍兹共鸣器的两个共振频率f₁和f₂，对二阶亥姆霍兹共鸣器的几何参数进行设计；所述方法包括：

针对具体的设计需求生成N条符合要求的隔声曲线，并将N条隔声曲线输入预先建立和训练好的深度神经网络模型，输出N组对应的等效电学参数；