CN113761771B - 多孔材料吸声性能预测方法、装置、电子设备和存储介质 - Google Patents

多孔材料吸声性能预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113761771B
CN113761771B CN202111086601.5A CN202111086601A CN113761771B CN 113761771 B CN113761771 B CN 113761771B CN 202111086601 A CN202111086601 A CN 202111086601A CN 113761771 B CN113761771 B CN 113761771B
Authority
CN
China
Prior art keywords
porous material
sound absorption
absorption performance
resnet
material sound
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111086601.5A
Other languages
English (en)
Other versions
CN113761771A (zh
Inventor
张弘佳
王洋
赵宏刚
郁殿龙
温激鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111086601.5A priority Critical patent/CN113761771B/zh
Publication of CN113761771A publication Critical patent/CN113761771A/zh
Application granted granted Critical
Publication of CN113761771B publication Critical patent/CN113761771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种多孔材料吸声性能预测方法、装置、电子设备和存储介质。所述方法包括：获取代表多孔材料拓扑结构的图像，并进行预处理，得到训练样本和测试样本；构建多孔材料吸声性能预测网络；该网络包括多个依次连接的ResNet模块；ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试，并利用得到的多孔材料吸声性能预测模型对待测图像进行预测，得到多孔材料吸声系数预测值。采用本方法可以得到非常精确的多孔材料吸声系数预测值，该方法专门用于高效、准确地评估多孔材料的吸声性能。

Description

多孔材料吸声性能预测方法、装置、电子设备和存储介质
技术领域
本申请涉及吸声降噪技术领域，特别是涉及一种多孔材料吸声性能预测方法、装置、电子设备和存储介质。
背景技术
多孔材料的空气声吸声性能与其拓扑结构密切相关。计算吸声系数(α)最成熟和最常用的方法是通过有限元模拟。然而，当计算大量样本时它相对耗时，尤其是涉及到复杂的内部结构与几何形状时。
迄今为止，仍然缺乏一种有效且智能的方法来预测多孔材料的性能。为此，越来越强大的机器学习算法有可能为材料属性计算和理解提供新的方法。但是在利用CNN研究吸声超材料方面的工作仍然比较有限，预测的准确性不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够得到非常精确的多孔材料吸声系数预测值的多孔材料吸声性能预测方法、装置、电子设备和存储介质。
一种多孔材料吸声性能预测方法，所述方法包括：
获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。
构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。
利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。
将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
一种多孔材料吸声性能预测装置，所述装置包括：
训练样本和测试样本获取模块，用于获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。
多孔材料吸声性能预测网络构建模块，用于构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。
多孔材料吸声性能预测模型确定模块，用于利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。
多孔材料吸声系数预测值确定模块，用于将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
上述多孔材料吸声性能预测方法、装置、电子设备和存储介质，所述方法获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本；构建多孔材料吸声性能预测网络；该网络包括多个依次连接的ResNet模块；ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值；利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试，得到多孔材料吸声性能预测模型；将待测多孔材料横截面图像输入到多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。采用本方法可以得到非常精确的多孔材料吸声系数预测值，该方法专门用于高效、准确地评估多孔材料的吸声性能。
附图说明
图1为一个实施例中多孔材料吸声性能预测方法的流程示意图；
图2为一个实施例中多孔材料吸声性能预测网络结构示意图；
图3为一个实施例中训练样本和测试样本中的典型图像，其中(a)为训练样本中的典型图像，(b)为测试样本中的典型图像；
图4为另一个实施例中每张图像6个频点的6个预测误差的统计直方图，其中(a)为均值、(b)为标准差、(c)为均值+标准差；
图5为一个实施例中多孔材料吸声性能预测装置的结构框图；
图6为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
多孔材料吸声性能预测网络简称：SAP-net。
在一个实施例中，如图1所示，提供了一种多孔材料吸声性能预测方法，该方法包括以下步骤：
步骤100：获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。
训练样本和测试样本均为64×64像素的二进制图像。作为多孔材料横截面的表示，图像中的0和1分别对应于多孔介质和散射体。
步骤102：构建多孔材料吸声性能预测网络。
多孔材料吸声性能预测网络包括多个依次连接的ResNet模块。多孔材料吸声性能预测网络结构示意图如图2所示。
ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能。
多孔材料吸声性能预测网络用于将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。
步骤104：利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。
步骤106：将待测多孔材料横截面图像输入到多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
上述多孔材料吸声性能预测方法中，所述方法获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本；构建多孔材料吸声性能预测网络；该网络包括多个依次连接的ResNet模块；ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值；利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试，得到多孔材料吸声性能预测模型；将待测多孔材料横截面图像输入到多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。采用本方法可以得到非常精确的多孔材料吸声系数预测值，该方法专门用于高效、准确地评估多孔材料的吸声性能。该方法将机器学习应用到声学超材料研究和设计中，可推进“AI-材料学/力学”交叉领域发展。
在其中一个实施例中，步骤104还包括：采用L1损失作为多孔材料吸声性能预测网络的损失函数；将训练样本输入到多孔材料吸声性能预测网络中进行训练，得到预测多孔材料吸声系数值；根据预测多孔材料吸声系数值、损失函数以及测试样本，对多孔材料吸声性能预测网络进行反向训练，得到多孔材料吸声性能预测模型。
在其中一个实施例中，多孔材料吸声性能预测网络包括75个ResNet模块；步骤104还包括：将训练样本输入到第一个ResNet块中，得到第一特征图；将第一特征图输入到第二个ResNet块中，得到第二特征图，依次类推，将前一个ResNet块的输出输入到后一个ResNet块中，得到第七十五特征图；将第七十五特征图采用sigmoid函数进行归一化处理，得到预测多孔材料吸声系数值。
在其中一个实施例中，步骤104还包括：将训练样本输入到第一个ResNet模块的第一个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第一个批标准化层中，将得到的批标准化处理结果输入到第一个ResNet模块的第一个Relu层中，得到卷积批标准化特征图；将卷积批标准化特征图输入到第一个ResNet模块的第二个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第二个批标准化层中，得到第一卷积批标准化特征图；将输入的训练样本与第一卷积批标准化特征图进行跳跃连接，并将得到的结果输入到第一个ResNet模块的第二个Relu层中，得到第一特征图。
在其中一个实施例中，步骤100还包括：设置64×64空矩阵；将散射体在随机位置嵌入到多孔介质中，将多孔介质的一些像素变为散射体的像素；对散射体内部的像素以20％的概率反转的图像应用了扰动算子，并采用邻接滤波器改善模式的拓扑结构，得到训练样本和测试样本。
具体的，图像的生成过程上从一个空矩阵，然后是随机嵌入的散点像素和一些突变。所有模式的生成过程都从64×64空矩阵。散射体随后在随机位置“嵌入”到多孔介质中，模仿遗传算法中的突变过程，即多孔介质(0)的一些像素变为散射体(1)的像素。为了增加图像的多样性，对散射体内部的像素以20％的概率反转的图像应用了扰动算子。最后，采用邻接滤波器在一定程度上改善模式的拓扑结构。
训练样本和测试样本中的典型图像如图3所示，其中(a)为训练样本中的典型图像，(b)为测试样本中的典型图像。特意在训练样本中包含了一些与测试样本中本质不同的图像。更准确地说，训练样本中的那些图像相对杂乱无章，而测试样本中的那些图像更类似于多孔吸声材料的常见设计。这种特殊的考虑是为了测试SAP-net是否能够真正捕获底层机制，并允许自己准确预测它从未“见过”的图像。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个验证性实施例中，训练样本包含50000张图像，测试样本包含7500张图像。
采用商用有限元软件COMSOL，计算了500Hz、1000Hz、1500Hz、2000Hz、2500Hz、3000Hz频率点下各图像的吸声系数。1Pa振幅的平面波从上方入射到图案中(如图3中的箭头所示)。本实施例中使用三聚氰胺泡沫作为多孔介质。有限元计算的参数为：
表1有限元计算参数
其中：Φ代表孔隙率，α∞代表弯曲度，Λ代表粘性长度，Λ'代表热特征长度，σ代表流动电阻率。
表2以平均绝对误差(Mean Absolute Error，简称MAE)的形式显示了每个SAP-net的测试精度。MAE是在整个测试样本上使用公式(1)计算的，其中n＝7500，αi为测试样本中第i组测试数据的吸声系数：
表2 500Hz,1000Hz,1500Hz,2000Hz,2500Hz and 3000Hz六个频率各自的测试准确度
频率 500Hz 1000Hz 1500Hz 2000Hz 2500Hz 3000Hz
MAE 0.0151 0.0080 0.0186 0.0190 0.0163 0.0126
六个经过训练的SAP-net网络在预测方面的准确度令人满意。大多数误差值低于0.01，这意味着差异可以忽略不计，例如，有限元计算的吸声系数为0.913，而SAP-net预测吸声系数可能为0.914，甚至差异更小。此外，预测过程非常高效，一次预测仅需0.007秒，比有限元模拟快数千倍。
在实践中，宽带吸声曲线更受我们关注。以下是从一种图像在500Hz到3000Hz频率范围内的吸声性能角度来阐述。具体来说，一种图像对于由它们各自的SAP-net预测的六个频率点具有六个吸声系数值，每个吸声系数都有一个绝对误差值，它是有限元计算的吸声系数与SAP-net预测的系数之间的差值。使用六个绝对误差，计算平均值(MEAN)、标准偏差(STD)及其总和(SUM)。SUM允许对所有六个频率点的预测精度进行平均得到MEAN，计算方差得到STD，两个量的和SUM。并用以上三个量一起评估，以免出现MEAN相当小但可能一个频率点的预测误差过大而另一个频率点的预测误差过小的极端情况。图4是7500张测试图像的MEAN、STD和SUM的统计数据。图4中每列上方的标签是计数。请注意，每个纵向线段的高度标记相对频率，而每列上方的标签是其计数。在图4的(a)和(b)中，分别有98.21％和99.12％的图像的MEAN和STD值低于0.05。在图4的(c)中，86.97％和99.00％图像的SUM值分别小于0.05和0.1。这是SAP-net在整个频率范围内非凡的预测准确性和稳定性的有力证明。
经过训练的六个SAP-net网络都能够相当准确地预测测试样本中图像的吸声系数，这些图像与训练样本中的图像有本质上的不同。这证明网络必须在一定程度上学到了将多孔材料的拓扑结构与其吸声性能联系起来的基本物理机制。基于这一激动人心的发现，我们认为SAP-net具有隐含把握拓扑结构如何影响其吸声性能的潜在机制的能力。结合图4，无论频率(低至500Hz或高达3000Hz)之间的吸声机制如何变化，SAP-net都显示出其卓越的学习能力并保持其出色的预测精度。从更一般的意义上讲，我们相信人工神经网络在使用正确的数据并通过预测、设计和优化材料科学、医学等等。
实验结果表明图SAP-net可以成功预测不同类型拓扑配置的宽带吸声性能。
本发明提出了基于深度卷积神经网络的SAP-net，专门用于高效、准确地评估多孔材料的吸声性能。通过输入代表材料拓扑结构的图像，SAP-net可以预测其在特定频率下的吸声系数。通过有限元计算验证，SAP-net的预测对于单个图像非常精确，并且跨频率预测时也较稳定。此外，SAP-net显示出具有学习和获得拓扑结构如何影响吸声性能潜在机制的能力，即使该机制在不同频率下发生变化也能准确捕获。
在一个实施例中，如图5所示，提供了一种多孔材料吸声性能预测装置，包括：训练样本和测试样本获取模块、多孔材料吸声性能预测网络构建模块、多孔材料吸声性能预测模型确定模块和多孔材料吸声系数预测值确定模块，其中：
训练样本和测试样本获取模块，用于获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。
多孔材料吸声性能预测网络构建模块，用于构建多孔材料吸声性能预测网络，多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。
多孔材料吸声性能预测模型确定模块，用于利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。
多孔材料吸声系数预测值确定模块，用于将待测多孔材料横截面图像输入到多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
在其中一个实施例中，多孔材料吸声性能预测模型确定模块，还用于采用L1损失作为多孔材料吸声性能预测网络的损失函数；将训练样本输入到多孔材料吸声性能预测网络中进行训练，得到预测多孔材料吸声系数值；根据预测多孔材料吸声系数值、损失函数以及测试样本，对多孔材料吸声性能预测网络进行反向训练，得到多孔材料吸声性能预测模型。
在其中一个实施例中，多孔材料吸声性能预测网络包括75个ResNet模块；多孔材料吸声性能预测模型确定模块，还用于将训练样本输入到第一个ResNet块中，得到第一特征图；将第一特征图输入到第二个ResNet块中，得到第二特征图，依次类推，将前一个ResNet块的输出输入到后一个ResNet块中，得到第七十五特征图；将第七十五特征图采用sigmoid函数进行归一化处理，得到预测多孔材料吸声系数值。
在其中一个实施例中，多孔材料吸声性能预测模型确定模块，还用于将训练样本输入到第一个ResNet模块的第一个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第一个批标准化层中，将得到的批标准化处理结果输入到第一个ResNet模块的第一个Relu层中，得到卷积批标准化特征图；将卷积批标准化特征图输入到第一个ResNet模块的第二个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第二个批标准化层中，得到第一卷积批标准化特征图；将输入的训练样本与第一卷积批标准化特征图进行跳跃连接，并将得到的结果输入到第一个ResNet模块的第二个Relu层中，得到第一特征图。
在其中一个实施例中，训练样本和测试样本获取模块，还用于设置64×64空矩阵；将散射体在随机位置嵌入到多孔介质中，将多孔介质的一些像素变为散射体的像素；对散射体内部的像素以20％的概率反转的图像应用了扰动算子，并采用邻接滤波器改善模式的拓扑结构，得到训练样本和测试样本。
关于多孔材料吸声性能预测装置的具体限定可以参见上文中对于多孔材料吸声性能预测方法的限定，在此不再赘述。上述多孔材料吸声性能预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多孔材料吸声性能预测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种多孔材料吸声性能预测方法，其特征在于，所述方法包括：
获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本；
构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值；
利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型；
将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
2.根据权利要求1所述的方法，其特征在于，利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型，包括：
采用L1损失作为多孔材料吸声性能预测网络的损失函数；
将所述训练样本输入到所述多孔材料吸声性能预测网络中进行训练，得到预测多孔材料吸声系数值；
根据所述预测多孔材料吸声系数值、所述损失函数以及所述测试样本，对多孔材料吸声性能预测网络进行反向训练，得到多孔材料吸声性能预测模型。
3.根据权利要求2所述的方法，其特征在于，多孔材料吸声性能预测网络包括75个ResNet模块；
将所述训练样本输入到所述多孔材料吸声性能预测网络中进行训练，得到预测多孔材料吸声系数值，包括：
将所述训练样本输入到第一个ResNet块中，得到第一特征图；
将第一特征图输入到第二个ResNet块中，得到第二特征图，依次类推，将前一个ResNet块的输出输入到后一个ResNet块中，得到第七十五特征图；
将第七十五特征图采用sigmoid函数进行归一化处理，得到预测多孔材料吸声系数值。
4.根据权利要求3所述的方法，其特征在于，将所述训练样本输入到第一个ResNet模块中，得到第一特征图，包括：
将所述训练样本输入到第一个ResNet模块的第一个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第一个批标准化层中，将得到的批标准化处理结果输入到第一个ResNet模块的第一个Relu层中，得到卷积批标准化特征图；
将所述卷积批标准化特征图输入到第一个ResNet模块的第二个卷积层中进行特征提取，并将提取得到的特征图输入到第一个ResNet模块的第二个批标准化层中，得到第一卷积批标准化特征图；
将输入的所述训练样本与所述第一卷积批标准化特征图进行跳跃连接，并将得到的结果输入到第一个ResNet模块的第二个Relu层中，得到第一特征图。
5.根据权利要求1所述的方法，其特征在于，获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本，包括：
设置64×64空矩阵；
将散射体在随机位置嵌入到多孔介质中，将多孔介质的一些像素变为散射体的像素；
对散射体内部的像素以20％的概率反转的图像应用了扰动算子，并采用邻接滤波器改善模式的拓扑结构，得到训练样本和测试样本。
6.一种多孔材料吸声性能预测装置，其特征在于，所述装置包括：
训练样本和测试样本获取模块，用于获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本；
多孔材料吸声性能预测网络构建模块，用于构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值；
多孔材料吸声性能预测模型确定模块，用于利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型；
多孔材料吸声系数预测值确定模块，用于将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。
7.根据权利要求6所述的装置，其特征在于，多孔材料吸声性能预测模型确定模块，还采用L1损失作为多孔材料吸声性能预测网络的损失函数；将所述训练样本输入到所述多孔材料吸声性能预测网络中进行训练，得到预测多孔材料吸声系数值；根据所述预测多孔材料吸声系数值、所述损失函数以及所述测试样本，对多孔材料吸声性能预测网络进行反向训练，得到多孔材料吸声性能预测模型。
8.根据权利要求6所述的装置，其特征在于，多孔材料吸声性能预测网络包括75个ResNet模块；
多孔材料吸声性能预测模型确定模块，还用于将所述训练样本输入到第一个ResNet块中，得到第一特征图；将第一特征图输入到第二个ResNet块中，得到第二特征图，依次类推，将前一个ResNet块的输出输入到后一个ResNet块中，得到第七十五特征图；将第七十五特征图采用sigmoid函数进行归一化处理，得到预测多孔材料吸声系数值。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202111086601.5A 2021-09-16 2021-09-16 多孔材料吸声性能预测方法、装置、电子设备和存储介质 Active CN113761771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111086601.5A CN113761771B (zh) 2021-09-16 2021-09-16 多孔材料吸声性能预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111086601.5A CN113761771B (zh) 2021-09-16 2021-09-16 多孔材料吸声性能预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113761771A CN113761771A (zh) 2021-12-07
CN113761771B true CN113761771B (zh) 2024-05-28

Family

ID=78795929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111086601.5A Active CN113761771B (zh) 2021-09-16 2021-09-16 多孔材料吸声性能预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113761771B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020248581A1 (zh) * 2019-06-11 2020-12-17 中国科学院自动化研究所 图数据识别方法、装置、计算机设备和存储介质
CN112419321A (zh) * 2021-01-25 2021-02-26 长沙理工大学 X射线图像识别方法、装置、计算机设备及存储介质
CN112991227A (zh) * 2021-04-15 2021-06-18 中国人民解放军国防科技大学 基于U-net++网络的弱光图像增强方法和装置
WO2021135773A1 (zh) * 2020-01-02 2021-07-08 苏州瑞派宁科技有限公司 图像重建方法、装置、设备、系统及计算机可读存储介质
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020248581A1 (zh) * 2019-06-11 2020-12-17 中国科学院自动化研究所 图数据识别方法、装置、计算机设备和存储介质
WO2021135773A1 (zh) * 2020-01-02 2021-07-08 苏州瑞派宁科技有限公司 图像重建方法、装置、设备、系统及计算机可读存储介质
CN112419321A (zh) * 2021-01-25 2021-02-26 长沙理工大学 X射线图像识别方法、装置、计算机设备及存储介质
CN112991227A (zh) * 2021-04-15 2021-06-18 中国人民解放军国防科技大学 基于U-net++网络的弱光图像增强方法和装置
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113761771A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Farrell et al. A Bayesian framework for adaptive selection, calibration, and validation of coarse-grained models of atomistic systems
Bessa et al. A framework for data-driven analysis of materials under uncertainty: Countering the curse of dimensionality
CN111126668B (zh) 基于图卷积网络的Spark作业时间预测方法和装置
US10067746B1 (en) Approximate random number generator by empirical cumulative distribution function
CN111625516B (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN104182268B (zh) 仿真系统及其方法和包括所述仿真系统的计算系统
CN110990135B (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
CN114912578B (zh) 结构响应预测模型的训练方法、装置和计算机设备
CN115049176A (zh) 材料性能评估方法、装置及计算机设备
Giraldo et al. Mantel test for spatial functional data: An application to infiltration curves
CN111104644A (zh) 可靠性评估方法、装置、计算机设备和存储介质
CN111199507A (zh) 一种图像隐写分析方法、智能终端及存储介质
Xu et al. An enhanced squared exponential kernel with Manhattan similarity measure for high dimensional Gaussian process models
CN111680389B (zh) 设备寿命量化方法、装置、计算机设备和存储介质
CN113761771B (zh) 多孔材料吸声性能预测方法、装置、电子设备和存储介质
Xiao et al. Geometric prior of multi-resolution yielding manifolds and the local closest point projection for nearly non-smooth plasticity
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
Jang et al. Improving classifier confidence using lossy label-invariant transformations
CN114553681B (zh) 设备状态异常检测方法、装置和计算机设备
CN116304710A (zh) 补充样本生成方法、装置、设备和存储介质
Casenave et al. MMGP: a Mesh Morphing Gaussian Process-based machine learning method for regression of physical problems under nonparametrized geometrical variability
CN115935761A (zh) 设备的可靠性仿真方法、装置、计算机设备和存储介质
Ryser et al. Surrogate model–based inverse parameter estimation in deep drawing using automatic knowledge acquisition
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
Rusyn et al. Application peculiarities of deep learning methods in the problem of big datasets classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant