基于可逆神经网络的高效二维弹性超材料系统逆向设计
计算工程、金融与科学
2021-07-27 v1
摘要
局域共振弹性超材料（LREM）可通过优化其自重复单元胞的几何结构来设计，以潜在地抑制选定频率范围内的振动，从而产生所需的带隙。然而，如何在给定全局频率范围内快速得到满足任意指定带隙要求的单元胞设计仍具挑战性。本文通过集成一种称为可逆神经网络（INN）的新型机器学习模型，开发了一个计算高效的 LREM（快速）逆向设计框架。INN 可被训练以预测作为单元胞设计函数的带隙边界，有趣的是，在反向执行时它同时学习给定带隙预测单元胞设计。在我们的案例中，单元胞由单元胞的外基质层和中软填充层的宽度表示。单元胞频率响应的训练数据由 Bloch 色散分析提供。训练好的 INN 用于瞬时检索给定带隙约束下的可行（或近可行）逆向设计，随后将其用于初始化一个基于序列二次规划的正向约束优化，以寻找满足带隙且质量最小的单元胞。案例研究表明，与针对相同指定带隙的十次随机初始化优化的中位数情形相比，该方法在带隙特性和最小化质量方面表现良好。使用有限元分析（FEA）的进一步验证证实了由 INN 加速逆向设计获得的 单元胞排布构成有限结构的带隙性能。
引用
@article{arxiv.2107.11503,
title = {Efficient Inverse Design of 2D Elastic Metamaterial Systems Using Invertible Neural Networks},
author = {Manaswin Oddiraju and Amir Behjat and Mostafa Nouh and Souma Chowdhury},
journal= {arXiv preprint arXiv:2107.11503},
year = {2021}
}
备注
Accepted to be presented and published in the Proceedings of the AIAA Aviation 2021 Forum