每日新文 | 基于逆卷积神经网络的亚波长宽带宽吸声器设计

主要观点总结

文章介绍了一种基于逆卷积神经网络（CNN）的机器学习框架，用于设计亚波长宽带声学吸收器，实现低频声学吸收特性。通过分析微穿孔板（MPP）的吸收特性，生成数据集训练CNN模型。模型能够预测实现特定低频吸收特性所需的几何参数，并通过实验验证模型的有效性和准确性。此外，文章还展示了将该逆向设计方法应用于实际工业场景的结果，如设计一种厚度仅为25mm的声学吸收器，满足汽车行业对低频噪声吸收的需求。

关键观点总结

关键观点1: 传统声学吸收材料的局限性

传统声学吸收材料在低频段的吸收效果较差，需要较厚的材料才能有效吸收。

关键观点2: 声学超材料的优势

通过设计特定的几何结构，声学超材料可以在亚波长厚度下实现高效的低频吸收。

关键观点3: 微穿孔板（MPP）的选择

MPP能够在低频段实现宽带吸收，且通过并联多个MPP可实现超低厚度。文章选择了MPP作为基础结构。

关键观点4: 机器学习框架的应用

通过训练CNN模型，将期望的吸收频率特性作为输入，快速返回所需的声学超材料的几何参数。模型性能优异，能够以超过98%的准确率进行预测。

关键观点5: 实验验证

通过阻抗测试验证了CNN模型设计的几何参数的实际吸收效果。结果表明，模型能够有效补偿材料和制造过程中的偏差。

关键观点6: 工业应用实例

文章展示了如何将这种逆向设计方法应用于实际工业场景，设计了一种厚度不超过25mm的声学吸收器，能够在500-1000Hz频率范围内实现50%的吸收率。

免责声明