基于物理信息神经网络的稀疏场离散化方法用于近场声学全息成像

我们提出了一种基于物理信息神经网络驱动的稀疏场离散化方法（PINN-SFD），这是一种新型自监督、受物理信息约束的深度学习方法，用于解决近场声学全息成像（NAH）问题。与现有的NAH深度学习方法不同，后者主要依赖大规模数据集进行监督训练，而本方法无需训练阶段且具备物理信息约束。将波传播场离散化为稀疏区域，称为场离散化，包括一系列源平面，以解决逆问题。本方法采用离散化的克尔霍夫-亨罗斯积分作为波传播模型。通过引入虚拟平面，在实际声源附近施加额外约束，提高了重建过程的准确性。优化采用物理信息神经网络（PINN），将基于物理的约束整合到损失函数中，以考虑等效源平面到全息平面的直接路径以及虚拟平面到全息平面的额外路径。此外，对等效源速度施加稀疏性约束。我们对 various 矩形和小提琴顶板进行了全面验证，涵盖广泛的振动模式，结果表明PINN-SFD在复杂振动模式的重建精度方面 consistently 优于传统压缩等效源方法（C-ESM），尤其是在重建精度方面。显著之处在于，该方法对正则化参数的敏感性较C-ESM显著降低。