CN117037971A - 一种基于神经网络的多层蜂窝吸波材料自校准设计方法 - Google Patents
一种基于神经网络的多层蜂窝吸波材料自校准设计方法 Download PDFInfo
- Publication number
- CN117037971A CN117037971A CN202311049832.8A CN202311049832A CN117037971A CN 117037971 A CN117037971 A CN 117037971A CN 202311049832 A CN202311049832 A CN 202311049832A CN 117037971 A CN117037971 A CN 117037971A
- Authority
- CN
- China
- Prior art keywords
- reflection loss
- network
- curve
- parameters
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000013461 design Methods 0.000 title claims abstract description 42
- 239000011358 absorbing material Substances 0.000 title claims abstract description 40
- 238000013507 mapping Methods 0.000 claims abstract description 43
- 230000002441 reversible effect Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012938 design process Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 25
- 239000002002 slurry Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 5
- 239000011148 porous material Substances 0.000 claims description 4
- 239000011162 core material Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 7
- 241000264877 Hippospongia communis Species 0.000 description 42
- 230000000694 effects Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005470 impregnation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (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的多层蜂窝吸波材料自校准设计方法。本发明首先对多层蜂窝吸波材料进行建模仿真，建立了由材料特征结构参数与对应反射损耗曲线组成的样本数据集；其次，建立神经网络模型，训练得到高性能正向预测网络与反向映射网络；然后，在两个神经网络的基础上，结合自校准设计方法，通过优化条件筛选，平移反射损耗曲线与CST仿真校准相结合的方法，实现在0.5GHz‑18GHz覆盖的任意频率范围内，以反射损耗值为目标的多层蜂窝吸波材料快速设计。本发明通过向设计过程中引入自校准步骤，大幅减小了神经网络误差叠加对于结果准确性的影响。
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的多层蜂窝吸波材料自校准设计方法。
背景技术
随着无线通信技术不断突破，出现了大量物联网、人工智能、可穿戴电子产品和微波传感器等新的无线连接设备，这些设备逐渐改变了人们的生活方式，为智能时代铺平了道路。尽管无线技术的快速发展提高了我们的生活质量，但无线电子设备的广泛使用也不可避免地导致了严重的电磁污染。电磁污染被认为是继空气，水和噪声污染之后的第四大污染源。对于电磁波造成的污染，我们迫切地需要更好性能的电磁波吸收材料。
结构型吸波材料是一类设计灵活的新型功能复合材料，蜂窝吸波材料是这类材料中的一种。蜂窝吸波材料具有高强度高刚度的特点，能够在保证强度的情况下，最大限度地减轻材料重量。在蜂窝吸波材料的设计制作过程中，材料的结构优化是极其关键的环节，是决定其吸波性能的重要因素。合理的结构优化可以增强蜂窝吸波材料对电磁波的吸收，减弱电磁污染。因此，为了获取吸波性能优良的材料，研究蜂窝吸波材料的结构优化问题就显得尤为重要。
传统的吸波材料优化设计或依赖于研究人员的经验不断试错，或依赖于大量的仿真软件的计算。前者对于研究人员的专业素养要求极高，后者对于计算资源的需求极大，且两种方法都存在耗时长的问题。神经网络拥有强大的学习能力，可以发现数据之间的内在规律从而绕过复杂的物理计算，因此可以用于解决较为复杂的非线性映射问题。将神经网络用于结构型吸波材料优化设计可以提高研发效率，降低成本。
专利CN110245413 A中公布了一种基于神经网络的超材料吸波结构的设计方法，利用全波仿真软件对超材料结构进行建模，在神经网络的基础上结合粒子群算法，优化出符合所需目标的吸波结构参数。专利CN114722666 A公布了一种基于深度学习的雷达吸波结构优化设计方法，建立全连接神经网络并进行充分训练，实现了对不同结构参数雷达吸波结构电磁性能的快速计算，结合遗传算法进行优化，获得了一种吸收频带宽、吸收效率高的穿孔型雷达吸波结构。上述方法均实现了用神经网络代替全波仿真软件，在保证了一定的仿真精确度的前提下，解决了传统全波仿真软件仿真时需要重复耗时计算的缺陷。
但是，通过结构参数预测吸波性能的正向神经网络的不是完全精确的，用神经网络替代全波仿真软件，会使得优化结果由于神经网络的误差叠加而产生偏差。此外，受限于优化算法的选择，上述两个现有技术每次仅能生成一个最优结果，这也使得误差叠加对于优化结果的影响被放大。
发明内容
为了解决上述问题，本发明提出了一种基于神经网络的多层蜂窝吸波材料自校准设计方法。本发明同时引入了通过特征结构参数预测反射损耗曲线的正向预测网络和通过反射损耗曲线映射特征结构参数的反向映射网络。为了保证优化结果的精确度，我们在优化过程中加入了对较优结果的自动仿真校准过程。同时本发明的方法可以一次输出多个较优的结果，便于选择最合适的特征结构参数组合。
本发明采用的技术方案如下：
一种基于神经网络的多层蜂窝吸波材料自校准设计方法，包括以下步骤：
步骤1：建立多层蜂窝吸波材料的模型，获取特征结构参数与对应反射损耗曲线组成的数据集。
步骤1-1：选定多层蜂窝吸波材料中对吸波性能产生影响的特征结构参数，基于这些特征结构参数，在全波仿真软件中建立多层蜂窝结构模型。
步骤1-2：将蜂窝芯材和吸波浆料的电磁参数导入仿真软件中，并设定好每个特征结构参数的参数范围，随机生成特征结构参数组合，经过仿真计算获取对应的反射损耗曲线。
步骤1-3：将特征结构参数与对应的反射损耗曲线处理成可用于神经网络训练的数据集。
步骤2：借助卷积神经网络，训练得到通过特征结构参数预测反射损耗曲线的正向预测网络和通过反射损耗曲线映射特征结构参数的反向映射网络。
步骤2-1：基于Python语言，调用Pytorch开源机器学习框架构建卷积神经网络。
步骤2-2：将步骤1-3得到的数据集划分为训练集、验证集与测试集。从训练集中提取网络的输入参数与目标参数，对神经网络模型进行训练；验证集用于神经网络训练过程中的权重优化；测试集用于评估神经网络的性能。
步骤2-3：将特征结构参数作为输入参数，对应反射损耗曲线作为目标参数，训练完成后得到的即为正向预测网络。
步骤2-4：反向映射网络的训练过程如下：先将反射损耗曲线作为输入参数，对应的特征结构参数作为目标参数对神经网络进行预训练。预训练完成后，将反射损耗曲线作为输入参数，把通过反向映射网络得到的特征结构参数输入正向预测网络，得到预测的反射损耗曲线。对比预测的反射损耗曲线与最初输入反向映射网络的反射损耗曲线的拟合程度进行网络权重的优化。
步骤2-5：对步骤2-3、步骤2-4训练完成的正向预测网络和反向映射网络进行评估，以判断其性能是否达标。
具体标准是：从每条反射损耗曲线上等步长(≤0.2GHz)取p个点，若实际曲线与标准曲线上对应点的误差不超过5％，则认为这个点预测准确，一条曲线上合格点总数除以p即为该条曲线的准确率。神经网络的性能达标标准为：用测试集对训练完成的神经网络进行评估，正向预测网络的所有反射损耗曲线的平均准确率应达到95％以上，反向映射网络的所有反射损耗曲线的平均准确率应达到90％以上。
步骤3：将训练完成的正向预测网络、反向映射网络与自校准设计方法结合，用于多层蜂窝吸波材料的设计。整个设计过程通过Python代码控制实现自动化。
步骤3-1：随机生成特征结构参数组合，并通过正向预测网络得到对应的反射损耗曲线。根据优化筛选条件(如蜂窝总厚度限制，优化频率范围，反射损耗值限制)，筛选出M组符合要求的特征结构参数与对应的反射损耗曲线组合作为第一轮优化的样本池，M≥100。
步骤3-2：从优化样本池中，找出最大反射损耗值较小的前N组反射损耗曲线与对应的特征结构参数，通过全波仿真软件进行仿真校准，存入仿真结果文件夹中，N≤0.1M。
步骤3-3：将校准后的曲线整体沿Y轴(反射损耗值)向数值变小的方向平移1％-5％，保存为新的反射损耗曲线，并通过反向映射网络得到对应的特征结构参数，存入下一轮优化的样本池中。
步骤3-4：以步骤3-2中的样本为参考，将每条曲线的最大反射损耗值存入列表，找出其中的最小值，在此基础上增加一个浮动项△(△∈[0.05,0.3]dB)，更新为下一轮的反射损耗值筛选条件，再筛选出M－N组特征结构参数与对应的反射损耗曲线，与步骤3-3得到的曲线一起填充满下一轮优化的样本池。
步骤3-5：重复上述步骤3-2至3-4，直至筛选单个样本的过程超出设定时间限制T_Stop(T_Stop∈[120,600]s)，则停止筛选过程。若本轮有n组样本生成，选出其中性能较好的前N组(若n≤N，则取N＝n)曲线与对应的特征结构参数，仿真校准后存入仿真结果文件夹中使其更新。
步骤3-6：对步骤3-5更新后的仿真结果文件夹中的所有样本继续执行优化过程。从样本中找出最大反射损耗值较小的前N条曲线，整体沿Y轴(反射损耗值)数值变小的方向平移1％-5％。然后通过反向映射网络，得到对应的特征结构参数，再通过仿真计算得到对应反射损耗曲线。
步骤3-7：重复步骤3-6直到反射损耗曲线的性能不再有明显(前后两轮优化出来的反射损耗最大值差值不超过1％)变化，则优化过程结束；此时所得各反射损耗曲线相应的结构参数即为最终的设计参数。
进一步的，所述特征结构参数包括蜂窝壁厚度，蜂窝孔径，多层蜂窝的层数，对应的每一层的蜂窝厚度及每一层的浆料厚度。
进一步的，所述步骤1-3中的处理方式为按如下矩阵形式拼接，并保存为txt格式；
进一步的，所述步骤3-1中的优化筛选条件包括蜂窝总厚度限制，优化频率范围和反射损耗值限制。
进一步的，所述N≤20，以节省计算资源。
进一步的，所述步骤3-7得到的各组最终的设计参数，根据实际应用场景倾向性择优选用，具体根据应用时各个因素的权重综合考虑。如吸波性能要求第一时，优选性能参数最优的设计参数；经济易制备的角度，优选成本(原料成本、工艺成本)最优的设计参数。
本发明的有益效果为：
1.本发明通过训练了高精度的正向预测网络和反向映射网络，大幅简化了耗时的仿真计算过程，同时引入了反射损耗曲线到特征结构参数的反向设计。
2.本发明在优化过程中引入了自动校准过程，大幅减小误差叠加对于最终结果的影响。
3.本发明只需在设计之初设定好参数限制条件，即可实现全自动快速优化，整体优化时间仅需若干小时，并且此方法对于同一种材料结构具有一劳永逸的效果。
4.本发明可以给出多种优化结构，可根据实际应用场景倾向性择优选用，可以从更经济易制备的角度来选择最终采用的设计方案。
附图说明
图1为本发明的整体流程。
图2为实施例多层蜂窝吸波材料的特征结构参数示意图。
图3为本发明通过反射损耗曲线映射特征结构参数的反向映射网络的训练思路。
图4为本发明神经网络性能验证方法示意图。
图5为实施例基于深度学习的正向预测网络和反向映射网络的效果展示。
图6为实施例的最佳反射损耗性能曲线与随机4组特征结构参数对应曲线的性能对比图。
具体实施方式
下面结合附图和实施例，详述本发明的技术方案。
一种基于神经网络的多层蜂窝吸波材料自校准设计方法(如图1所示)，包括以下步骤：
步骤1：建立多层蜂窝吸波材料的模型，获取特征结构参数与对应反射损耗曲线的数据集。对于多层蜂窝吸波材料，在蜂窝的轴向从金属底板向外，每层蜂窝的浆料厚度逐层递减。
步骤1-1：本实施例多层蜂窝吸波材料的特征结构参数如图2所示，包括蜂窝孔径d、蜂窝壁厚度w，蜂窝结构沿金属板向外的三层蜂窝的厚度依次为h3、h2、h1，对应的每层的浆料厚度依次为t3、t2、t1。基于这8个特征结构参数，在CST微波工作室软件中建立多层蜂窝结构模型。
步骤1-2：仿真频率范围设定为0.5GHz-18GHz，将蜂窝芯材和吸波浆料的电磁参数导入CST工程中，设定蜂窝孔径d＝2.75mm，蜂窝壁厚度w＝0.05mm，蜂窝厚度h1、h2、h3∈[4,10]mm，每次浸渍的浆料厚度范围T1、T2、T3∈[0.01,0.1]mm，相应的最外层浆料厚度t1＝T1，中间层浆料厚度t2＝T1+T2，最内层浆料厚度t3＝T1+T2+T3。在设定范围内随机生成特征结构参数组合，经过仿真计算获取对应的反射损耗曲线。
步骤1-3：从每条仿真曲线上以步长0.05GHz取共计351个点，与对应特征结构参数按如下矩阵形式拼接，并保存为txt格式作为一个训练样本，总的训练样本个数为30000个。
步骤2：借助卷积神经网络，训练得到通过特征结构参数预测反射损耗曲线的正向预测网络和通过反射损耗曲线映射特征结构参数的反向映射网络。
步骤2-1：基于Python语言，调用Pytorch开源机器学习框架构建卷积神经网络。
步骤2-2：将步骤1-3得到的数据集，按照8:1:1的比例划分为训练集、验证集与测试集。从训练集中提取神经网络的输入参数与目标参数，对神经网络进行训练，验证集用于神经网络训练过程中的权重优化，测试集用于评估神经网络的预测效果。
步骤2-3：将特征结构参数作为输入参数，对应反射损耗曲线作为目标参数，训练完成后得到的即为正向预测网络。
步骤2-4：反向映射网络的训练过程如图3所示：先将反射损耗曲线作为输入参数，对应的特征结构参数作为目标参数对神经网络进行预训练。预训练完成后，将反射损耗曲线作为输入参数，把通过反向映射网络得到的特征结构参数输入正向预测网络，预测出新的反射损耗曲线。对比新的反射损耗曲线与最初输入反向映射网络的反射损耗曲线的拟合程度进行网络权重的优化。
步骤2-5：通过自定义准确率的方式，按照图4所示流程，进行神经网络性能的验证评估。从每条反射损耗曲线上以步长0.05GHz取351个点，若实际曲线与标准曲线上对应点的误差不超过5％，则认为这个点预测准确，一条曲线上合格点总数除以351即为该条曲线的准确率。用测试集对训练完成的神经网络进行评估，正向预测网络的所有反射损耗曲线的平均合格率达到98.64％，反向映射网络的所有反射损耗曲线的平均合格率达到95.56％，可以用于后续的优化过程。图5展示了本实施例正向预测网络与反向映射网络的实测效果。
步骤3：将训练完成的高准确率的正向预测网络、反向映射网络与自校准设计方法结合，用于多层蜂窝吸波材料的设计。整个设计过程通过Python代码控制实现自动化。
步骤3-1：优化条件设置为蜂窝总限高25mm，优化频率范围2-12GHz，初始反射损耗值不设筛选条件。通过Python代码筛选出200组符合要求的特征结构参数，并通过正向预测网络得到对应的反射损耗曲线，得到第一轮优化的样本池。
步骤3-2：从优化样本池中，找出最大反射损耗值较小的前10组曲线与对应的特征结构参数，通过CST仿真进行校准。
步骤3-3：将校准后的曲线整体下移(沿Y轴反射损耗值变小方向)1.5％，保存为新的反射损耗曲线，并通过反向映射网络得到对应的特征结构参数，存入下一轮优化的样本池中。
步骤3-4：从步骤3-2的所有曲线中，找出最大反射损耗值的最小值，在此基础上增加浮动项△＝0.1dB，更新为下一轮的反射损耗值筛选条件；再筛选出240组特征结构参数与对应的反射损耗曲线，与步骤3-3中的曲线一起填充满下一轮优化的样本池。
步骤3-5：设定T_Stop＝200s，重复步骤3-2至3-4，直至生成新的筛选结果时间超过设定限制，自动跳出筛选过程。若本轮有n组样本生成，选出其中性能较好的前N组(若n≤N，则取N＝n)曲线与对应的特征结构参数，仿真校准后存入仿真结果文件夹中使其更新。
步骤3-6：对步骤3-5更新后的仿真结果文件夹中的所有样本继续执行优化过程。从这些曲线中找出最大反射损耗值较小的前10条曲线，整体下移(沿Y轴反射损耗值变小方向)1.5％。然后通过反向映射网络，得到对应的特征结构参数，再通过CST仿真校准。
步骤3-7：重复步骤3-6直到反射损耗曲线的性能前后两轮优化出来的反射损耗最大值差值不超过1％变化，则优化过程结束。
图6展示了本实施例的设计结果，为基于本发明的设计方法，在总蜂窝厚度不超过25mm的条件下，在2-12GHz范围内得到的最佳的反射损耗性能曲线与随机N组特征结构参数对应的曲线的性能对比。其中target是优化后得到的曲线，others是在设定范围内随机仿真得到的曲线。曲线target-1的最大反射损耗值为-14.6756dB，对应的特征结构参数为：h1＝9.42，h2＝5.76，h3＝9.27，t1＝0.026，t2＝0.046，t3＝0.142；曲线target-2的最大反射损耗值为-14.5541dB，对应的特征结构参数为：h1＝9.582，h2＝6.974，h3＝8.497，t1＝0.021，t2＝0.058，t3＝0.152。两条曲线的最大反射损耗值误差小于1％，符合优化停止条件，总优化时长为1小时49分钟。
通过上述实施例的优化设计结果可知：本发明首先利用全波仿真软件对多层蜂窝吸波材料进行建模仿真，建立了由材料特征结构参数与对应反射损耗曲线组成的样本数据集；其次，建立神经网络模型，训练得到了通过特征结构参数预测反射损耗曲线和通过反射损耗曲线映射特征结构参数的高性能正向预测网络与反向映射网络；然后，在两个神经网络的基础上，结合自校准设计方法，通过优化条件筛选，平移反射损耗曲线与CST仿真校准相结合的方法，实现在0.5GHz-18GHz覆盖的任意频率范围内，以反射损耗值为目标的多层蜂窝吸波材料快速设计。本发明通过向设计过程中引入自校准步骤，大幅减小了神经网络误差叠加对于结果准确性的影响；训练的高性能的正向预测网络、反向映射网络，结合自校准设计方法，可以在极短的时间内完成优化过程，且优化结果无需再次仿真修正。
Claims (6)
1.一种基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于，包括以下步骤：
步骤1、建立多层蜂窝吸波材料的模型，获取特征结构参数与对应反射损耗曲线组成的数据集；
步骤1-1、选定多层蜂窝吸波材料中对吸波性能产生影响的特征结构参数，基于这些特征结构参数，在全波仿真软件中建立多层蜂窝结构模型；
步骤1-2、将蜂窝芯材和吸波浆料的电磁参数导入仿真软件中，并设定好每个特征结构参数的参数范围，随机生成特征结构参数组合，经过仿真计算获取对应的反射损耗曲线；
步骤1-3、将特征结构参数与对应的反射损耗曲线处理成可用于神经网络训练的数据集；
步骤2、借助卷积神经网络，训练得到通过特征结构参数预测反射损耗曲线的正向预测网络和通过反射损耗曲线映射特征结构参数的反向映射网络；
步骤2-1、基于Python语言，调用Pytorch开源机器学习框架构建卷积神经网络；
步骤2-2、将步骤1-3得到的数据集划分为训练集、验证集与测试集；从训练集中提取网络的输入参数与目标参数，对神经网络模型进行训练；验证集用于神经网络训练过程中的权重优化；测试集用于评估神经网络的性能；
步骤2-3、将特征结构参数作为输入参数，对应反射损耗曲线作为目标参数，训练完成后得到的即为正向预测网络；
步骤2-4、反向映射网络的训练过程如下：先将反射损耗曲线作为输入参数，对应的特征结构参数作为目标参数对神经网络进行预训练；预训练完成后，将反射损耗曲线作为输入参数，把通过反向映射网络得到的特征结构参数输入正向预测网络，得到预测的反射损耗曲线；对比预测的反射损耗曲线与最初输入反向映射网络的反射损耗曲线的拟合程度进行网络权重的优化；
步骤2-5：对步骤2-3、步骤2-4训练完成的正向预测网络和反向映射网络进行评估，以判断其性能是否达标；
具体标准是：从每条反射损耗曲线上以≤0.2GHz等步长取p个点，若实际曲线与标准曲线上对应点的误差不超过5％，则认为这个点预测准确，一条曲线上合格点总数除以p即为该条曲线的准确率；神经网络的性能达标标准为：用测试集对训练完成的神经网络进行评估，正向预测网络的所有反射损耗曲线的平均准确率应达到95％以上，反向映射网络的所有反射损耗曲线的平均准确率应达到90％以上；
步骤3、将训练完成的正向预测网络、反向映射网络与自校准设计方法结合，用于多层蜂窝吸波材料的设计，整个设计过程通过Python代码控制实现自动化；
步骤3-1、随机生成特征结构参数组合，并通过正向预测网络得到对应的反射损耗曲线；根据优化筛选条件，筛选出M组符合要求的特征结构参数与对应的反射损耗曲线组合作为第一轮优化的样本池，M≥100；
步骤3-2、从优化样本池中，找出最大反射损耗值较小的前N组反射损耗曲线与对应的特征结构参数，通过全波仿真软件进行仿真校准，存入仿真结果文件夹中，N≤0.1M；
步骤3-3、将校准后的曲线整体沿Y轴反射损耗值变小的方向平移1％-5％，保存为新的反射损耗曲线，并通过反向映射网络得到对应的特征结构参数，存入下一轮优化的样本池中；
步骤3-4、以步骤3-2中的样本为参考，将每条曲线的最大反射损耗值存入列表，找出其中的最小值，在此基础上增加一个浮动项△，△∈[0.05,0.3]dB，更新反射损耗值的筛选条件，再筛选出M-N组特征结构参数与对应的反射损耗曲线，与步骤3-3得到的曲线一起填充满下一轮优化的样本池；
步骤3-5、重复步骤3-2至3-4，直至筛选单个样本的过程超出设定时间限制T_Stop，T_Stop∈[120,600]s，则停止筛选过程；若本轮有n组样本生成，选出其中性能较好的前N组曲线与对应的特征结构参数，仿真校准后存入仿真结果文件夹中使其更新；其中，若n≤N，则取N＝n；
步骤3-6、对步骤3-5更新后的仿真结果文件夹中的所有样本继续执行优化过程；从样本中找出最大反射损耗值较小的前N条曲线，整体沿Y轴反射损耗值变小的方向平移1％-5％；然后通过反向映射网络，得到对应的特征结构参数，再通过仿真计算得到对应反射损耗曲线；
步骤3-7、重复步骤3-6直到反射损耗曲线的性能前后两轮优化出来的反射损耗最大值差值不超过1％，则优化过程结束；此时所得各反射损耗曲线相应的结构参数即为最终的设计参数。
2.如权利要求1所述基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于：所述特征结构参数包括蜂窝壁厚度，蜂窝孔径，多层蜂窝的层数，对应的每一层的蜂窝厚度及每一层的浆料厚度。
3.如权利要求1所述基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于：所述步骤1-3中特征结构参数与对应的反射损耗曲线的处理方式为按如下矩阵形式拼接，并保存为txt格式
4.如权利要求1所述基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于：所述步骤3-1中的优化筛选条件包括蜂窝总厚度限制，优化频率范围和反射损耗值限制。
5.如权利要求1所述基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于：所述N≤20，以节省计算资源。
6.如权利要求1所述基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于：所述步骤3-7得到的各组最终的设计参数，根据实际应用场景倾向性择优选用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049832.8A CN117037971A (zh) | 2023-08-21 | 2023-08-21 | 一种基于神经网络的多层蜂窝吸波材料自校准设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049832.8A CN117037971A (zh) | 2023-08-21 | 2023-08-21 | 一种基于神经网络的多层蜂窝吸波材料自校准设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037971A true CN117037971A (zh) | 2023-11-10 |
Family
ID=88627871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311049832.8A Pending CN117037971A (zh) | 2023-08-21 | 2023-08-21 | 一种基于神经网络的多层蜂窝吸波材料自校准设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037971A (zh) |
-
2023
- 2023-08-21 CN CN202311049832.8A patent/CN117037971A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112784464B (zh) | 基于智能算法的具有任意吸收频谱的吸波体及其设计方法 | |
| CN104732044B (zh) | 基于差分进化算法的多层频率选择表面复合吸波结构及材料的优化设计方法 | |
| CN105787558A (zh) | 基于ads的知识神经网络微带滤波器设计方法 | |
| CN111625998A (zh) | 一种层叠太阳能电池结构优化方法 | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN113784359A (zh) | 一种基于改进bp神经网络算法的动态信道接入方法 | |
| CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
| CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
| 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 | |
| CN114444012A (zh) | 一种基于神经网络架构搜索的偏微分方程数值求解方法 | |
| CN113780542A (zh) | 一种面向fpga的多目标网络结构的构建方法 | |
| 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 | |
| CN114186470A (zh) | 一种基于多目标遗传算法的宽频透明吸波体的设计优化系统及其设计方法 | |
| CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
| CN112464541B (zh) | 一种考虑多尺度不确定性的混合复合材料铺层方法 | |
| CN116305574A (zh) | 一种基于神经网络模型的试验设计方法 | |
| CN107967386A (zh) | 电磁超材料单元的设计方法及其装置 | |
| CN114997004A (zh) | 一种基于有限元仿真和rnn神经网络的贮箱内撑夹具装调质量预测方法 | |
| CN113722951A (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| CN112966423A (zh) | 基于ipso-iaga-bpnn算法的空间主镜结构响应预测模型的构建方法 | |
| CN117709193A (zh) | 基于神经网络与随机爆炸搜索的梯度吸波蜂窝设计方法 | |
| CN114692484B (zh) | 一种基于神经网络的微波窗设计方法 | |
| CN115828731A (zh) | 一种基于改进bp神经网络的多参数天线设计方法 | |
| CN117198444B (zh) | 一种基于进化算法的宽频吸波夹层结构的优化及制备方法 |
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 |