研究人员利用人工智能创造强大的隔音材料
噪音污染在城市地区越来越普遍，这些污染源于交通、建筑活动和工厂，会严重影响健康，导致压力、睡眠障碍和心血管问题。因此，人们提出了各种降低噪音的方法，例如物理阻断声音的路径和主动噪音控制。然而，由于声音通过空气传播，物理阻断声音也会导致通风不良，这凸显了同时研究声音衰减和通风的必要性。声学超材料 (AM) 因其独特的声学特性而被广泛研究，被认为是实现这一目标的有前途的解决方案。最近，一种新型 AM 被提出，称为通风声学谐振器 (VAR)，它可以仅使用几何形状来操纵声波和气流。它可以在保持通风的同时，以紧凑的结构阻挡低频噪音。
VAR 由波导组成，波导将声波引导至谐振腔，谐振腔会捕获声波。为了获得适当的性能，VAR 需要针对目标峰值频率上的宽带声音衰减进行优化的功能形状。然而，传统的分析设计方法仅允许相对简单的参数设计，无法用于实现具有复杂几何形状的 VAR。
为了解决这一限制，由釜山国立大学机械工程学院副教授 Sang Min Park 领导的韩国研究团队开发了一种基于深度学习的创新逆向设计方法。
“我们提出了一种潜在空间探索策略，通过基于遗传算法的优化来搜索具有目标频率的宽带 VAR。与传统方法相比，我们的方法具有很高的设计灵活性，同时降低了计算成本，”Park 博士解释说。
他们的研究于 2024 年 5 月 15 日在线发布，并发表在《人工智能工程应用》杂志上。
在所提出的逆向设计方法中，条件变分自动编码器 (CVAE)（一种深度学习生成模型）对潜在空间中的 VAR 的几何特征进行编码。潜在空间是一个低维空间，其中包含高维输入（在本例中为 VAR）的基本信息。
为了生成该空间，CVAE 使用 VAR 谐振腔的横截面图像和峰值频率信息进行训练。然后使用生成的潜在空间进行遗传算法 (GA) 优化，旨在为各种峰值目标频率寻找具有宽带声音衰减性能的 VAR。GA 采用基于自然选择的方法来搜索连续多代优化的 VAR，就像生物进化过程中对有利基因的选择一样。
研究人员使用具有 T 形谐振腔的 VAR 横截面图像训练 CVAE，其设计参数值各不相同。利用这些数据，他们的优化策略生成了一个具有非典型但功能性结构的非参数 VAR。
研究人员将优化结果与每个目标频率训练数据中带宽最宽的 VAR 进行了比较，发现优化设计在所有情况下都表现出更宽的带宽。此外，他们将非参数 VAR 的性能与使用基于参数的逆向设计方法设计的 VAR 的性能进行了比较，发现前者的带宽要大得多。
帕克博士强调了这些结果的重要性，他说：“我们的超宽带 VAR 可以部署在城市环境中，有效减少噪音污染，而不会影响通风，从而通过创造更安静、更舒适的生活和工作空间来提高生活质量。
“此外，我们的战略为基于人工智能的复杂机械结构设计开辟了新视野，有可能彻底改变汽车和航空航天工程等领域。”
这种开创性的设计方法代表着朝着 AI 驱动的AM 和其他复杂机械结构设计迈出了重要一步。
更多信息： Min Woo Cho 等人，超越参数化设计的限制：实现超宽带声学超材料的潜在空间探索策略，人工智能工程应用(2024)。DOI ：10.1016/j.engappai.2024.108595
页:
[1]