基于人工神经网络的声子晶体逆向设计

声子晶体是一种人工周期性复合材料, 其带隙特性使其在减振、隔声、滤波和声学功能器件等领域具有潜在的应用价值. 如何准确操纵声波和机械波是声子晶体设计的主要挑战. 现有设计方法是基于对结构几何参数与材料参数的分析调整使其匹配特定的应用特性, 设计效率不高且无法达到最佳性能. 为此, 本文以一维层状声子晶体为例, 提出了一种基于Softmax逻辑回归和多任务学习的人工神经网络声子晶体逆向设计方法, 其中, Softmax逻辑回归实现分层结构各区域材料种类的选择, 通过多任务学习确定各区域材料的分布, 从而, 将声子晶体逆向设计问题转化为对单位胞元拓扑结构多组分材料的分类问题. 首先, 随机生成大量声子晶体拓扑结构样本; 然后, 采用有限元法进行并行计算得到所有样本的带隙分布; 接着, 通过神经网络建立带隙分布和拓扑结构之间的映射关系; 最后, 利用训练好的神经网络设计具有目标带隙特性的声子晶体, 即以目标带隙作为神经网络的输入, 网络将直接输出对应的声子晶体单元胞元拓扑结构. 算例表明本方法可根据应用需求快速高效地得到具有目标带隙的一维声子晶体. 该方法为声子晶体的逆向设计提供了一种新颖思路.      

考虑可制造性约束的声子晶体多目标拓扑优化

对声子晶体进行拓扑优化可得到具有目标带隙特性的声子晶体结构, 在减振、隔声等领域具有潜在应用价值. 然而, 优化结果常会出现孤立材料单元而导致的制造困难问题. 针对该问题, 本文提出协同考虑带隙性能和可制造性约束的二维多相声子晶体多目标拓扑优化方法. 以在特定频率段带隙最宽和结构质量最小为优化目标, 在对微结构进行连通性分析的基础上, 引入考虑可制造性因素的附加约束, 并利用有限元法和具有精英选择策略的非支配排序遗传算法对该优化模型进行数值求解. 通过数值算例验证了本文模型及方法的合理性和有效性. 结果表明, 附加可制造性约束的拓扑优化模型可有效避免二维声子晶体构型中出现孤立材料单元的情况, 优化结果在满足带隙性能预期指标的同时也可兼顾到实际可制造性要求. 与仅仅考虑带隙性能的单目标优化结果相比, 本文提出的同时兼顾带隙性能和可制造因素的多目标优化模型可以针对实际应用和制造条件, 实现不同目标间的平衡, 具有显著优势和良好的应用前景.