基于机器学习的含圆柱空腔水下声学聚氨酯涂层逆向设计加速
信号处理
2022-03-10 v1 应用物理
数据分析、统计与概率
摘要
在此，我们报告了一个详细的“材料信息学”框架的开发，该框架通过将机器学习（ML）和统计优化算法与有限元模型（FEM）相集成，用于设计水下声衰减的声学涂层。所开发的有限元模型用于模拟基于嵌有圆柱空腔的聚氨酯（PU）弹性体的声学涂层的实际性能。FEM 结果表明，聚氨酯基体随频率变化的粘弹性行为对与圆柱体相关的吸收峰的幅值和频率在低频次段有显著影响，而这一点在以往对类似系统的研究中常被忽略。由 FEM 生成的数据被用于训练深度神经网络（DNN）以加速设计过程，随后与遗传算法（GA）集成，以确定圆柱体的最优几何参数，从而实现最大化、宽频带、低频的水下声衰减。通过最优配置圆柱空腔层并利用包括法布里-珀罗共振和空腔层的布拉格散射在内的衰减机制，实现了显著的宽频带低频衰减。将机器学习技术集成到优化算法中进一步加速了针对目标性能的高维设计空间的探索。所开发的 DNN 在预测吸收系数时相比传统 FEM 速度显著提升（达 倍）。因此，相比传统的试错实践，该材料信息学框架带来的加速为声学涂层的设计与开发带来了范式转变。
引用
@article{arxiv.2203.04409,
title = {A machine learning accelerated inverse design of underwater acoustic polyurethane coatings with cylindrical voids},
author = {Hansani Weeratunge and Zakiya Shireen and Sagar Iyer and Richard Sandberg and Saman Halgamuge and Adrian Menzel and Andrew Phillips and Elnaz Hajizadeh},
journal= {arXiv preprint arXiv:2203.04409},
year = {2022}
}