CN115641924A - 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 - Google Patents
一种基于神经网络快速预测吸波蜂窝材料s参数的方法 Download PDFInfo
- Publication number
- CN115641924A CN115641924A CN202210992066.8A CN202210992066A CN115641924A CN 115641924 A CN115641924 A CN 115641924A CN 202210992066 A CN202210992066 A CN 202210992066A CN 115641924 A CN115641924 A CN 115641924A
- Authority
- CN
- China
- Prior art keywords
- wave
- neural network
- absorbing
- parameters
- training
- 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.)
- Pending
Links
Images
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明属于电磁波吸收材料技术领域,具体为一种基于神经网络快速预测吸波蜂窝材料S参数的方法。本发明基于吸波蜂窝材料结构参数、吸波浆料电磁参数以及芳纶纸介电常数到S参数的映射,建立对应吸波蜂窝材料的结构模型;通过建立的结构模型获得由结构数据及对应的S11曲线组成的训练数据集;再采用卷积神经网络模型进行训练,学习吸波蜂窝材料的特征,通过向训练完成的卷积神经网络模型输入待测吸波蜂窝材料的吸波浆料的结构参数,实现S参数的快速预测。相比于传统复杂的仿真计算,大幅提升预测效率,节约成本;相比于传统材料预测方法,本发明适用于多种蜂窝材料,具有更高的普适性。
Description
技术领域
本发明属于电磁波吸收材料技术领域,具体涉及一种基于神经网络快速预测吸波蜂窝材料S参数的方法。
背景技术
吸波技术能够有效提升武器系统的隐身和突击防御能力、加强总体的作战效能,吸引了各国和各军事领域的高度关注。吸波材料按照其成型的工艺和承载力可分为两大类:结构型吸波材料(SRAM,structure radar absorbing material)和涂层型吸波材料(CRAM,coating radar absorbing material)。涂层型吸波材料虽然制造工艺简单,但是其重量大,单位面积的电磁波吸收能力不均衡,容易受高温影响而导致脱落的缺点;结构型吸波材料相较于涂层型吸波材料而言,不仅能够吸收电磁波而且具备相当的承载力,这是基于先进复合材料的研究开发出的多功能复合材料,目前被装配在隐身战机、导弹以及各种武器系统当中。具备多功能、轻质化等特性的结构型吸波材料是现代吸波技术发展的前沿方向。
吸波蜂窝材料是吸波蜂窝夹层复合材料的芯体材料,主要是以芳纶纸蜂窝为基体,通过浸渍掺有吸收剂的涂料制备而成,具有高比刚度和强度、质量轻、耐腐蚀和高温的优点,既能用作承重结构件又能实现隐身,因此吸波蜂窝材料被大范围应用于军事,其相关材料电磁参数因保密而难以获得。又因为吸波蜂窝材料本身是一种各向异性的材料,想要研究它的反射率等特性就必须人工提取等效电磁参数,既需要足够的专业知识又非常耗时,但是基于HS边界理论、强扰动理论、波导微扰理论等得到的吸波蜂窝材料等效电磁参数又精度不足,而且CST利用精度不足的等效参数进行仿真又会产生相应误差。因为神经网络具有自学习、自组织、快速预测等效果,所以可以用机器学习建立吸波蜂窝材料结构参数到S参数的映射,但是传统网络仅仅将材料的结构参数作为输入特征,故一旦材料电磁参数发生变化,网络便无法使用,所以提出一种基于多种吸波蜂窝材料通用的神经网络来快速预测反射率的方法十分重要。
发明内容
针对上述存在问题或不足,为解决当前吸波蜂窝材料的等效电磁参数提取方法存在精度、效率和适用性不佳的问题,本发明提供一种基于神经网络快速预测吸波蜂窝材料S参数的方法,利用卷积神经网络深度学习吸波蜂窝材料的电磁特性和结构特征,实现对吸波蜂窝材料S参数的精准快速预测。
一种基于神经网络快速预测吸波蜂窝材料S参数的方法,包括以下步骤:
步骤1:建立由M(M为≥2的正整数)个由不同种浆料以及不同种类芳纶纸构成的吸波蜂窝材料所组成的数据库;对于数据库中各吸波蜂窝材料,基于其吸波浆料的电磁参数以及芳纶纸的介电常数,建立对应吸波蜂窝材料的结构模型;
步骤2:对步骤1建立的结构模型进行关于吸波蜂窝的结构参数进行扫参仿真,获得对应的N组结构数据,各组结构数据均对应一条S11曲线;以一组结构数据及对应的S11曲线为一组训练数据,将数据库中所有吸波蜂窝材料对应的M*N组训练数据作为训练数据集;
所述结构数据是指吸波蜂窝材料的种类都已经确定了,只是扫参变化吸波蜂窝的结构参数(如改变吸波蜂窝的厚度、孔径和/或蜂窝壁厚),每改变一个变量,则产生一组结构数据。
步骤3:构建卷积神经网络模型;
步骤4:随机选择步骤2所得训练数据集中的L组训练数据为训练集,L为<M*N的正整数,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对步骤3构建的卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;
训练过程中卷积神经网络模型中,若损失函数的数值低至预期数值,则保存网络参数;否则,优化卷积神经网络模型的网络参数直至达到预期数值(如采用梯度下降算法反向优化);本模型中,损失函数越小代表网络拟合度越好。
步骤5:将训练数据集中剩余的M*N-L组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得各组训练数据的预测结果;
步骤6:将各组测试数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本;
若测试集中训练数据的合格率超过预设合格率,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型,即合格样本;
否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~5,直至获得训练完成的卷积神经网络模型;
步骤7:将待测吸波蜂窝材料中吸波浆料的电磁参数和芳纶纸的介电常数以及吸波蜂窝的结构参数输入至步骤6所得训练完成的卷积神经网络模型,得到待测吸波蜂窝材料的S11曲线,即S参数。
进一步地,步骤1中所述电磁参数包括介电常数实部和介电常数虚部,以使得最终预测结果更佳。
进一步地,所述步骤2中,在S11曲线上对所需仿真频段等步长地取若干个频点,将所取频点代替训练数据中的S11曲线,作为训练目标。以将S11曲线上的特征拆分成特征点进行学习,如果选择的点太多会使得网络训练速度下降,选择的点太少会使得网络无法充足掌握曲线特征。进一步的优选以0.2GHz为步长进行特征点截取。
进一步地,所述步骤4训练卷积神经网络模型的过程中,卷积神经网络模型的损失函数的预期数值为0.5。
进一步的,所述L取训练数据集中的50%-80%作为训练集,如果训练集太多有可能出现过拟合效果,训练集太少有可能出现欠拟合效果。
进一步地,步骤6中判断各组训练数据是否为合格样本的过程如下:
在预测结果上对所需仿真频段等步长地取若干个与S11曲线上频点一一对应的频点,计算预测结果与S11曲线上对应频点数值的相对误差值:若相对误差值小于预设误差,则代表该频点为合格点;若合格点数量大于等于预设合格点数量,则称对应训练数据为初步合格样本;将初步合格样本的预测结果与对应S11曲线进行绘图,如果二者的趋势相同并且拟合程度满足预期,则称初步合格样本为合格样本。进一步地,步骤6中预设合格率优选为90%。
本发明由吸波蜂窝材料结构参数、吸波浆料电磁参数以及芳纶纸介电常数到S参数的映射,建立对应吸波蜂窝材料的结构模型,通过建立吸波蜂窝材料的结构模型获得由结构数据及对应的S11曲线组成的训练数据集,基于该训练数据集对卷积神经网络模型进行训练,学习吸波蜂窝材料的特征,通过向训练完成的卷积神经网络模型输入待测吸波蜂窝材料的吸波浆料的电磁参数和芳纶纸的介电常数以及蜂窝的结构参数,实现S参数的快速预测;相比于传统复杂的仿真计算,大幅提升预测效率,节约成本;相比于传统材料预测方法,本发明适用于多种蜂窝材料(因为网络已经将芳纶纸的电磁参数及其相应结构参数,吸波浆料电磁参数以及其结构参数作为网络特征进行训练,所以只要符合正六边形蜂窝模型,一旦吸波浆料或芳纶纸种类发生改变,网络同样适用),更适合被广泛应用。
综上所述,本发明通过建立特定模型,选取结构数据,利用卷积神经网络深度学习吸波蜂窝材料的电磁特性和结构特征,实现对吸波蜂窝材料S参数的精准快速预测;解决了当前吸波蜂窝材料的等效电磁参数提取方法存在精度、效率和适用性不佳的问题。
附图说明
图1为实施例1提供的基于神经网络快速预测吸波蜂窝材料S参数的方法的流程图;
图2为实施例1采用的吸波蜂窝材料的结构示意图;
图3为实施例1采用的卷积神经网络模型的示意图;
图4为实施例1采用的卷积神经网络模型的损失函数数值随训练次数的变化图;
图5为实施例1获得的预测曲线与CST仿真曲线对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供了一种基于神经网络快速预测吸波蜂窝材料S参数的方法,包括以下步骤:
步骤1:建立由2个不同结构的吸波蜂窝材料组成的数据库,所述吸波蜂窝材料的结构如图2所示,(a)为俯视图,(b)为正式图;在俯视图中包括由外之内依次的芳纶纸、吸波涂层以及真空层(均可以看做正六边形),在正视图中包括蜂窝的整体厚度。对数据库中各吸波蜂窝材料,基于其吸波浆料的电磁参数和芳纶纸的介电常数,在全波仿真软件CSTMicrowave Studio(CST微波工作室)中建立对应吸波蜂窝材料的结构模型;其中,芳纶纸,吸波涂层,真空层所对应六边形的外侧长度份别为a、b、c,蜂窝的整体厚度为h。
步骤2:对各吸波蜂窝材料的结构模型进行关于蜂窝结构参数的扫参仿真,仿真频率是2~18GHz;在本实施例中2.5mm<c<b<a<4.75mm,扫参步长为0.001mm,20mm<h<30mm,扫参步长为0.5mm。对于整个扫参范围1个吸波蜂窝材料可以获得约2500组的数据,2个吸波蜂窝材料共计约5000组结构数据,一组结构数据包括吸波浆料的介电常数实部、介电常数虚部和芳纶纸的介电常数实部以及蜂窝的结构参数a、b、c、h,共计7个结构参数;各组结构数据均对应一条S11曲线,并在2~18GHz的频段(即吸波蜂窝材料所需的仿真频段)内以0.2GHz为步长在S11曲线上均匀取81个频点,获得各频点对应的数值;以一组结构数据及对应S11曲线的81个频点数值为一组训练数据,将数据库中所有吸波蜂窝材料对应的5000组训练数据作为训练数据集。
步骤3:利用Python语言和Pytorch开源框架构建卷积神经网络模型,如图3所示,包括依次连接的输入层、隐藏层和输出层,所述隐藏层包括依次连接的3个结构单元和2个全连接层,所述结构单元均由依次的归一化层、卷积层、激活函数层和池化层构成;其中,神经网络的优化器种类为Adam,训练次数为100000次,初始学习率为0.01。
步骤4:随机选择训练数据集中的3500组训练数据为训练集,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;训练过程中卷积神经网络模型的损失函数的预期数值为0.5,若损失函数的数值低至预期数值,则保存网络参数;否则,采用梯度下降算法反向优化卷积神经网络模型的网络参数;其中,卷积神经网络模型有7个输入通道和1个输出通道,即各结构参数对应一个输入通道,一个输入通道中神经元的个数为81个,输出通道中神经元的个数为81个,中间隐藏层神经元最高可达660个。
根据如图4所示的卷积神经网络模型的损失函数的数值随训练次数的变化图,可知在经过50000次的训练后,损失函数的数值(MSE)可以收敛到0.5(Goal),初步训练完成。
上述步骤1~4的流程如图1所示,
步骤5:将训练数据集中的剩余的1500组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得测试集中各组训练数据的预测结果;
步骤6:将测试集中各组训练数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本,判断过程如下:
在2~18GHz的频段内以0.2GHz为步长在预测结果上均匀取81个频点,与对应S11曲线的81个频点一一对应,计算预测结果与S11曲线上对应频点数值的相对误差值,若相对误差值小于10%,则代表该频点为合格点;若合格点数量≥73个,则称对应训练数据为初步合格样本;将初步合格样本的预测结果与对应S11曲线在origin软件中进行绘图,如果二者的趋势相同并且拟合程度高,则称初步合格样本为合格样本。
若测试集中训练数据的合格率超过90%,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型;否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~6,直至获得训练完成的卷积神经网络模型。
步骤7:将待测吸波蜂窝材料中吸波浆料的电磁参数和芳纶纸的介电常数以及蜂窝的结构参数输入至训练完成的卷积神经网络模型,得到待测吸波蜂窝材料的S11曲线,即S参数。
实施例2
为验证预测效果,本实施例对3个不同结构的待测吸波蜂窝材料的S参数进行预测,结构分别为:
第一待测吸波蜂窝材料的芳纶纸层外边长、吸波涂料层外边长、真空层外边长分别为2.750mm、2.631mm和2.588mm,蜂窝整体厚度为20mm,芳纶纸介电常数为1.6。
第二待测吸波蜂窝材料的芳纶纸层外边长、吸波涂料层外边长、真空层外边长分别为2.809mm、2.669mm和2.662mm,蜂窝整体厚度为23mm,芳纶纸介电常数为1.6。
第三待测吸波蜂窝材料的芳纶纸层外边长、吸波涂料层外边长、真空层外边长分别为2.860mm、2.769mm和2.723mm,蜂窝整体厚度为29.5mm,芳纶纸介电常数为1.5。
将上述三个待测吸波蜂窝材料中吸波浆料的电磁参数和芳纶纸的介电常数以及蜂窝的结构参数输入至实施例1所得训练完成的卷积神经网络模型,得到各待测吸波蜂窝材料的S11曲线。
图5为预测所得S11曲线与CST仿真曲线的对比图,其中,(a)为第一待测吸波蜂窝材料,(b)为第二待测吸波蜂窝材料,(c)为第三待测吸波蜂窝材料。可知本发明所述基于神经网络快速预测吸波蜂窝材料S参数的方法不光可以预测不同电磁参数的吸波蜂窝材料S参数而且获得的预测结果的准确度较高,同时大幅提升预测效率。
通过以上实施例可见,本发明基于吸波蜂窝材料结构参数、吸波浆料电磁参数以及芳纶纸介电常数到S参数的映射,建立对应吸波蜂窝材料的结构模型;通过建立的结构模型获得由结构数据及对应的S11曲线组成的训练数据集;再采用卷积神经网络模型进行训练,学习吸波蜂窝材料的特征,通过向训练完成的卷积神经网络模型输入待测吸波蜂窝材料的结构参数,实现S参数的快速预测。相比于传统复杂的仿真计算,大幅提升预测效率,节约成本;相比于传统材料预测方法,本发明适用于多种蜂窝材料,具有更高的普适性。
Claims (9)
1.一种基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于,包括以下步骤:
步骤1:建立由M个由不同种浆料以及不同种类芳纶纸构成的吸波蜂窝材料所组成的数据库,M为≥2的正整数;对于数据库中各吸波蜂窝材料,基于其吸波浆料的电磁参数以及芳纶纸的介电常数,建立对应吸波蜂窝材料的结构模型;
步骤2:对步骤1建立的结构模型进行关于吸波蜂窝的结构参数进行扫参仿真,获得对应的N组结构数据,各组结构数据均对应一条S11曲线;以一组结构数据及对应的S11曲线为一组训练数据,将数据库中所有吸波蜂窝材料对应的M*N组训练数据作为训练数据集;
所述结构数据是指吸波蜂窝材料的种类都已经确定,只是扫参变化吸波蜂窝的结构参数,每改变一个变量,则产生一组结构数据;
步骤3:构建卷积神经网络模型;
步骤4:随机选择步骤2所得训练数据集中的L组训练数据为训练集,L为<M*N的正整数,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对步骤3构建的卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;
训练过程中卷积神经网络模型中,若损失函数的数值低至预期数值,则保存网络参数;否则,优化卷积神经网络模型的网络参数直至达到预期数值;
步骤5:将训练数据集中剩余的M*N-L组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得各组训练数据的预测结果;
步骤6:将各组测试数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本;
若测试集中训练数据的合格率超过预设合格率,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型,即合格样本;
否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~5,直至获得训练完成的卷积神经网络模型;
步骤7:将待测吸波蜂窝材料中吸波浆料的电磁参数和芳纶纸的介电常数以及吸波蜂窝的结构参数输入至步骤6所得训练完成的卷积神经网络模型,得到待测吸波蜂窝材料的S11曲线,即S参数。
2.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤1中吸波蜂窝的结构参数为其厚度、孔径和/或蜂窝壁厚。
3.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤1中电磁参数包括介电常数实部和介电常数虚部,以使得最终预测结果更佳。
4.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤2中,在S11曲线上对所需仿真频段等步长地取若干个频点,将所取频点代替训练数据中的S11曲线,作为训练目标。
5.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述所述步骤4训练卷积神经网络模型的过程中,卷积神经网络模型的损失函数的预期数值为0.5。
6.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤4训练过程中卷积神经网络模型中,若损失函数的数值未低至预期数值时,采用梯度下降算法反向优化卷积神经网络模型的网络参数直至达到预期数值。
7.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤4中L取训练数据集中的50%-80%作为训练集,如果训练集太多有可能出现过拟合效果,训练集太少有可能出现欠拟合效果。
8.如权利要求1所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤6中判断各组训练数据是否为合格样本的过程如下:
在预测结果上对所需仿真频段等步长地取若干个与S11曲线上频点一一对应的频点,计算预测结果与S11曲线上对应频点数值的相对误差值:若相对误差值小于预设误差,则代表该频点为合格点;若合格点数量大于等于预设合格点数量,则称对应训练数据为初步合格样本;将初步合格样本的预测结果与对应S11曲线进行绘图,如果二者的趋势相同并且拟合程度满足预期,则称初步合格样本为合格样本。
9.如权利要求8所述基于神经网络快速预测吸波蜂窝材料S参数的方法,其特征在于:所述步骤6中预设合格率为90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992066.8A CN115641924A (zh) | 2022-12-02 | 2022-12-02 | 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992066.8A CN115641924A (zh) | 2022-12-02 | 2022-12-02 | 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641924A true CN115641924A (zh) | 2023-01-24 |
Family
ID=84939442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992066.8A Pending CN115641924A (zh) | 2022-12-02 | 2022-12-02 | 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641924A (zh) |
-
2022
- 2022-12-02 CN CN202210992066.8A patent/CN115641924A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069567B (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
CN108170950B (zh) | 基于神经网络的多层频率选择表面吸波材料建模优化方法 | |
CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
CN109856969A (zh) | 一种基于bp神经网络模型的故障预测方法及预测系统 | |
CN107704920A (zh) | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 | |
CN109067427B (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
CN112070356A (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
CN110245413A (zh) | 一种基于神经网络的超材料吸波结构的设计方法 | |
CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
CN111242380A (zh) | 一种基于人工智能算法的湖(库)富营养化预测方法 | |
CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
CN106779065A (zh) | 一种光伏阵列的最大功率点跟踪方法及系统 | |
CN115641924A (zh) | 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 | |
CN110737998B (zh) | 一种基于有限元和深度信念网络的均压环优化设计方法 | |
CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
CN117034699A (zh) | 一种基于拉伸试验的金属疲劳s-n曲线预测方法 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN116663744A (zh) | 一种用于近零能耗建筑的能耗预测方法及系统 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN114694774A (zh) | 一种基于神经网络快速预测多层吸波材料s参数的方法 | |
CN113608136A (zh) | 一种多尺度锂离子电池健康状态的预测方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN114996880A (zh) | 一种基于ansys二次开发的复合装甲结构优化方法 | |
CN117037971A (zh) | 一种基于神经网络的多层蜂窝吸波材料自校准设计方法 | |
CN110930054A (zh) | 一种基于数据驱动的作战体系关键参数快速优化方法 |
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 |