据麦姆斯咨询介绍，韩国釜山国立大学的研究人员利用基于进化深度学习的逆向设计方法，开发了一种复杂的声学超构材料。研究人员开发的通风声学谐振器（VAR）超构材料可以同时降低噪音并提供通风。
传统的分析方法只能进行简单的参数化设计，难以处理形状复杂的通风声学谐振器。釜山国立大学的研究人员开发了一种基于深度学习的逆向设计方法，可以灵活设计复杂的非参数化的通风声学谐振器，提高性能，同时降低计算成本。
在城市地区，交通、建筑工地和工厂造成的噪声污染越来越普遍。人们提出了各种降噪方法，如物理阻隔和主动噪声控制等，但物理阻隔也可能导致通风不良。
由于其独特的声学特性，声学超构材料（AM）已被广泛研究，成为解决这一难题的有前景的解决方案。近年，学界提出了通风声学谐振器，它只需通过几何形状就能同时操纵声波和气流。
这种通风声学谐振器超构材料由一个波导管组成，可将声波引导到一个谐振腔内，该谐振腔能够捕获声波，并能以紧凑的结构阻挡低频噪音，同时保持通风。为了获得所需要的性能，通风声学谐振器需要具有优化的功能形状，以便对目标峰值频率实现宽带声衰减。然而，传统的分析设计方法只能进行相对简单的参数化设计，无法实现具有复杂几何形状的通风声学谐振器。
“我们提出了一种潜空间探索策略，通过基于遗传算法优化来探索具有目标频率的宽带通风声学谐振器。”釜山国立大学机械工程学院Sang Min Park副教授说，“与传统方法相比，我们的方法在降低计算成本的同时，还具有很高的设计灵活性。”
在所提出的逆向设计方法中，条件变分自编码器（CVAE）是一种深度学习生成模型，它在潜空间中对通风声学谐振器的几何特征进行编码。潜空间是一个较低维度的空间，包含高维输入（本例中为通风声学谐振器）的基本信息。
为生成这一空间，研究人员使用VAR谐振腔的横截面图像和峰值频率信息对CVAE进行训练。然后将生成的潜空间用于遗传算法（GA）优化，旨在为各种峰值目标频率寻找具有宽带声衰减性能的通风声学谐振器。遗传算法应用基于自然选择的方法，通过连续多代探索优化的通风声学谐振器。
研究人员利用不同参数值T形谐振腔的通风声学谐振器横截面图像对CVAE进行了训练。利用这些数据，他们的优化策略产生了一种非参数化通风声学谐振器，具有非典型但实用的结构。研究人员将优化结果与每个目标频率训练数据中带宽最宽的通风声学谐振器进行了比较，发现优化设计在所有情况下都表现出了更宽的带宽。此外，他们还将非参数化VAR的性能与使用基于参数的逆向设计通风声学谐振器进行了比较，发现前者的带宽要大得多。
Park说：“我们的超宽带通风声学谐振器可以部署在城市环境中，在不影响通风的情况下有效减少噪音污染，从而通过创造更安静、更舒适的生活和工作空间来提高生活质量。此外，我们的策略还为基于人工智能的复杂机械结构设计开辟了新方向，有望为汽车和航空航天等领域带来革命性的变化。”
这种声学超构材料的设计方法标志着我们向人工智能驱动的超构材料以及其它复杂机械结构设计迈出了重要一步。
论文链接：
https://doi.org/10.1016/j.engappai.2024.108595
延伸阅读：
《光学和射频领域的超构材料和超构表面-2024版》
《光学和射频应用的超构材料-2024版》
