【中科院声学所｜Physica Scripta】两阶段深度神经网络实现弯曲通道吸声结构的逆向设计

      PART 1    

        文章信息      

      题目    

    Inverse design of bending channel sound-absorbing structures with porous material by two-stage deep neural network model  

      作者    

    Fangfang Cao, Qiuyu Zeng, Zhaowang Xia, Mou Wang, Chao Hou, Bin Li, Hong Hou, Baozhu Cheng  

      单位    

    江苏科技大学能源与动力学院；中国科学院声学研究所；上海船用柴油机研究所；宁波方太厨具有限公司；西北工业大学海洋声学与探测实验室  

      期刊    

    Physica Scripta，2025 / Vol.100  

      DOI    

    https://doi.org/10.1088/1402-4896/adcd0d  

      PART 2    

        一句话概括      

    本文提出一种两阶段深度神经网络逆向设计方法，实现嵌入多孔材料的弯曲通道吸声超材料在目标频率下的高效按需设计。  

该方法在中低频与高频数据密集区具有高预测精度，但在样本稀疏的迁移学习区仍受数据分布限制。

      PART 3    

        研究背景与科学问题      

    声学超材料凭借亚波长结构实现低频高效吸声，在交通、环境与工程噪声控制中具有重要应用前景。弯曲通道结合多孔材料可显著增强热耗散与黏滞损失，是实现中低频宽带吸声的重要结构形式。  

    传统设计依赖理论建模与有限元仿真，通过反复调节几何与材料参数获得目标吸声性能，过程复杂且效率低，对研究人员经验要求高，难以满足“按需设计”的工程需求。  

    随着机器学习的发展，数据驱动的逆向设计为声学结构参数预测提供了新途径。然而，多对一映射问题和数据分布不均严重制约了单阶段神经网络的预测精度与泛化能力。  

关键挑战

吸声性能与多几何/材料参数之间存在强非线性、多解映射

数据库在频率维度上呈现明显非均匀分布

单阶段逆向网络难以保证性能参数的一致性

迁移学习区样本稀疏导致预测不稳定

核心问题在于：如何在非均匀数据分布下，实现高精度、可验证的吸声结构逆向设计。

      PART 4    

        技术原理与创新点      

    作者构建了嵌入多孔材料的变截面弯曲通道吸声单元理论模型，结合JCA多孔介质模型，建立几何—材料—吸声性能之间的精确映射，并据此生成大规模数据库。  

    在此基础上，提出两阶段深度神经网络模型（TSDNN）：第一阶段为正向网络，学习“结构参数 性能参数”的物理映射；第二阶段为逆向网络，引入循环一致性约束，确保预测结构在正向网络中仍能复现目标性能。  

方法分解

1.

参数化吸声单元结构与多孔材料物性

2.

理论模型计算吸声峰值与峰值频率，构建86万级数据库

3.

按频率分布划分非均匀区、迁移区与均匀区

4.

训练正向网络并冻结参数

5.

训练逆向网络，引入循环损失优化

创新清单

提出适用于声学超材料逆向设计的两阶段深度神经网络框架

引入循环一致性损失，缓解多解映射问题

基于数据库分布特征进行频段分区分析

通过阻抗管实验验证机器学习预测结果

text

Stage 1: Forward NetInput: geometric parametersOutput: (frequency, absorption)Stage 2: Inverse NetInput: target (frequency, absorption)Output: geometric parametersLoss = L_structure + L_cycle

相比单阶段模型，TSDNN通过物理一致性约束显著提升了结构预测的可靠性。

      PART 5    

        实验验证与性能      

    作者从数据库中选取12个目标吸声单元，覆盖三类频段区域，比较TSDNN预测结果与理论计算值；并进一步选取3个样品进行3D打印与阻抗管实验测试。  

    实验采用B&K阻抗管系统，在350–4500 Hz范围内测量法向入射吸声系数，与模型预测结果进行对比分析。  

评测维度

1.

吸声峰值误差

•

峰值偏差（无量纲，对比理论值）

2.

峰值频率误差

•

频率偏差（Hz，对比理论/实验）

关键结果表

在非均匀与均匀学习区，TSDNN实现了峰值与频率的高精度预测，并与实验结果高度一致。

      PART 6    

        学术贡献      

构建了面向弯曲通道吸声结构的大规模高质量数据库

提出两阶段深度神经网络用于声学超材料逆向设计

系统分析数据分布对模型预测能力的影响

通过实验验证机器学习辅助设计的工程可行性

该工作为声学超材料从“经验设计”向“数据驱动按需设计”转变提供了范式参考。

      PART 7    

        局限性与未来方向      

    尽管TSDNN在数据密集区表现优异，但在迁移学习区（1050–1300 Hz）由于样本稀疏，预测频率偏差显著增大，反映出模型泛化能力仍受数据分布制约。  

    此外，本文主要针对单元级结构设计，尚未深入考虑多单元耦合对宽带吸声性能的影响。  

待解决问题

单元级逆向设计的高精度预测

迁移学习区的数据稀疏问题

多单元耦合与宽带协同设计

下一步关键在于引入更多物理约束与多单元数据，提升模型在稀疏频段的泛化能力。

      PART 8    

        总结      

    本文系统提出并验证了一种基于两阶段深度神经网络的声学超材料逆向设计方法，在中低频与高频段实现高精度预测。理论分析、机器学习与实验验证形成闭环，显著提升了吸声结构的设计效率。  

深度学习正成为连接声学理论与工程设计的高效桥梁。

      PART 9    

        图文赏析      

Figure 1

（a）带有吸声单元的示意图；（b）带有吸声单元的等效截面图和等效路径。

Figure 2

吸声机理研究。（a）吸声单元的零极点图；（b）吸声单元的理论解与仿真计算曲线。

Figure 3

典型参数影响下吸声单元的吸声谱。

Figure 4

数据库样本分布图。（a）变量样本编码示意图；（b）数据库中吸声峰值的数据点分布图。

Figure 5

机器学习数据库分布特性。

Figure 6

两阶段神经网络系统框图。

Figure 7

（a）单阶段与两阶段网络在训练集上的损失收敛曲线；（b）在验证集上的损失收敛曲线。

Figure 8

12个吸声单元预测结果的偏差分析。

Figure 9

（a）用于吸声单元吸声系数测试的阻抗管系统；（b）实验测试装置；（c）声学样品1的吸声系数曲线；（d）声学样品2的吸声系数曲线；（e）声学样品3的吸声系数曲线；（f）三个声学样品预测值与实验值偏差图。