CN117524372B - 基于遗传算法的微流道超材料设计方法、电子设备、介质 - Google Patents
基于遗传算法的微流道超材料设计方法、电子设备、介质 Download PDFInfo
- Publication number
- CN117524372B CN117524372B CN202311532744.3A CN202311532744A CN117524372B CN 117524372 B CN117524372 B CN 117524372B CN 202311532744 A CN202311532744 A CN 202311532744A CN 117524372 B CN117524372 B CN 117524372B
- Authority
- CN
- China
- Prior art keywords
- micro
- channel
- metamaterial
- layer
- loop
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 title claims abstract description 32
- 239000002184 metal Substances 0.000 claims abstract description 64
- 229910052751 metal Inorganic materials 0.000 claims abstract description 64
- 230000035945 sensitivity Effects 0.000 claims abstract description 25
- 239000000758 substrate Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 9
- 239000004205 dimethyl polysiloxane Substances 0.000 claims description 7
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 5
- -1 polydimethylsiloxane Polymers 0.000 claims description 5
- 239000002202 Polyethylene glycol Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 229920001223 polyethylene glycol Polymers 0.000 claims description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- 239000004642 Polyimide Substances 0.000 claims description 3
- 239000004793 Polystyrene Substances 0.000 claims description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229920001721 polyimide Polymers 0.000 claims description 3
- 229920002223 polystyrene Polymers 0.000 claims description 3
- 239000010453 quartz Substances 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 229910052709 silver Inorganic materials 0.000 claims description 3
- 239000004332 silver Substances 0.000 claims description 3
- 239000005388 borosilicate glass Substances 0.000 claims description 2
- 239000005331 crown glasses (windows) Substances 0.000 claims description 2
- 239000007788 liquid Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005674 electromagnetic induction Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 239000004700 high-density polyethylene Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于遗传算法的微流道超材料设计方法、电子设备、介质，微流道超材料传感器包括自下而上布置的衬底层、微流道层、金属谐振层以及支撑层；其中，金属谐振层是由若干个子结构组成的阵列；设计方法包括：确定微流道超材料传感器类型以及金属谐振层子结构；确定衬底层、金属谐振层以及支撑层的材料；构建等效电路模型，得到微流道超材料传感器的结构与电磁参数之间的映射关系；设置微流道超材料传感器的结构参数之间的约束关系；基于此，设置待设计的微流道超材料传感器的结构特征参数；以微流道超材料传感器的灵敏度、品质因数、半峰宽下的品质因数为优化指标，采用遗传算法对微流道超材料传感器的结构特征参数进行优化。
Description
技术领域
本发明属于太赫兹超材料领域，尤其涉及一种基于遗传算法的微流道超材料设计方法、电子设备、介质。
背景技术
由于超材料的共振频率响应与周围介质的介电常数密切相关，将待分析物覆盖在超材料上，可通过共振频率的频移量实现对待分析物定性与定量分析，来作为物质微量检测的传感器，检测流程简单，超材料作为信号增强载体用于生物分子、病毒、细菌、细胞和小囊泡样本的高灵敏探测。因此，结合太赫兹超材料传感器是一种新型的生物医学检测手段，具有高灵敏性、样品用量少、可无标记检测、低成本、快速分析、操作简单等优点。
传统的超材料往往依靠设计相似功能或相似电磁特性的超材料的经验，设计出一个最初的超材料结构，并使用电磁仿真软件进行仿真，通过仿真结果对超材料设计过程中的关键参数逐个进行扫参，若存在符合当前设计要求的超材料结果则保留，若扫参结束仍找不到符合设计需求的超材料结构，则需要对超材料进行重新设计。
《X.Shi,TS.Qiu,et al,Metasurface inverse design using machine learningapproaches[J].Journal of Physics D-Applied Physics,53(27),2020》提出了编码超表面单元模型，并通过一种基于人工蜂群优化的支持向量机算法的超表面结构反向设计算法(AMID)，但采用16维超表面单元矩阵的编码超表面单元模型的方法设计出来的超材料结构复杂且不规则，对于微纳的精度来说，不利用实际制造与加工。基于人工蜂群优化的支持向量机算法准确率不高，且运行效率低。
中国专利CN115238480A提出了一种基于自适应粒子群遗传混合算法的数字超材料设计方法,解决相位稳定性、极化不敏感性以及工作频带的问题，该设计算法具有算法收敛快、寻优效果好的特点，但未对前端基础的超表面单元结构进行参数设计优化，且同样存在设计的超材料结构复杂且不规则，不利用加工制造的问题，同时该算法存在可能过早收敛问题，使求解不准确的问题。
中国专利CN111767678A提供一种基于深度学习神经网络的超材料电磁感应透明器件的结构按需设计方法，该方法采用基础的电磁感应透明效应的超材料，结合深度学习神经网络实现参数优化设计。该方法主要针对电磁感应透明器件进行设计，数据集单一且不具备超材料设计的普适性，且未引入待测物与设计的超材料作用结果，以及待测分析物的厚度；同时深度神经网络结构复杂，训练时间过长，存在过拟合与预测精度不高的问题。
发明内容
鉴于此，本发明提供了一种基于遗传算法的微流道超材料设计方法、电子设备、介质，以克服现有技术上的上述至少一方面缺陷。
第一方面，本发明实施例提供了一种基于遗传算法的微流道超材料设计方法，微流道超材料传感器包括自下而上布置的衬底层、微流道层、金属谐振层以及支撑层；其中，金属谐振层是由若干个子结构组成的阵列；
所述设计方法包括：
根据谐振峰个数、谐振峰频率位置进行微流道超材料传感器类型以及金属谐振层子结构的选型；
根据微流道超材料传感器类型与其在谐振峰频率段的吸收系数确定衬底层、金属谐振层以及支撑层的材料；
基于微流道超材料传感器的结构构建等效电路模型，得到微流道超材料传感器的结构与电磁参数之间的映射关系；
设置微流道超材料传感器的结构参数之间的约束关系；包括：两两金属谐振层子结构的间距大于0，且两两金属谐振层子结构之间相互不干涉；
根据微流道超材料传感器的结构与电磁参数之间的映射关系以及微流道超材料传感器的结构参数之间的约束关系，设置待设计的微流道超材料传感器的结构特征参数；
以微流道超材料传感器的灵敏度、品质因数、半峰宽下的品质因数为优化指标，采用遗传算法对微流道超材料传感器的结构特征参数进行优化。
第二方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于遗传算法的微流道超材料设计方法。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于遗传算法的微流道超材料设计方法。
与现有技术相比，本发明的有益效果为：本发明提供了一种基于遗传算法的微流道超材料设计方法，基于微流道的超材料结构，形成可以精准控制液体样本厚度并减少水对太赫兹波吸收的微米级微流通道，利用等效电路模型建立参数结构与电路之间的联系，基于遗传算法的微流道超材料设计方法可通过对结构参数的自适应寻优，在进行超材料的设计过程中在提高参数寻优的鲁棒性与快速收敛能力的同时，提高结构参数设计的精确度。本发明可解决太赫兹对液体样本的极性分子敏感性问题，并引入待测液体样本厚度与超材料的作用效果，采用基于遗传算法优化超材料的关键参数，避免了传统设计的低效与过度经验依赖问题，也解决了深度神经网络的训练时间过长，模型预测准确率不高的问题。本发明提供的太赫兹生物医学超材料的结构设计方法，可解决极性分子敏感性并提高检测灵敏度。
附图说明
为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于遗传算法的微流道超材料设计方法的流程图；
图2是本发明实施例提供的微流道超材料的结构示意图；
图3是本发明实施例提供的基于遗传算法优化结构参数的流程图
图4是本发明实施例提供的E型与C型结合的金属谐振层的示意图；
图5是本发明实施例提供的E型与C型结合的金属谐振层的初始结构参数与优化结构参数后的传输曲线图；
图6是本发明实施例提供的E型与C型结合的金属谐振层在第1、5和10代的演化过程图；
图7是本发明实施例提供的E型与C型结合的金属谐振层对应的关键结构参数优化结果图；
图8是本发明实施例提供的E型与C型结合的金属谐振层引入待测物后的仿真结果图；
图9是本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如图1所示，本发明提供了一种基于遗传算法的微流道超材料设计方法，所述设计方法包括：
步骤S1，根据谐振峰个数、谐振峰频率位置进行微流道超材料传感器类型以及金属谐振层子结构的选型。
如图2所示，本发明实施例提供的微流道超材料传感器的结构为自下而上布置的衬底层、微流道层、金属谐振层以及支撑层；其中，金属谐振层是由若干个子结构组成的阵列。
所述衬底层：作为结构衬底，并用于控制透射电磁波和反射电磁波强度；本实例中，所述衬底层可选择石英、硅、聚酰亚胺、聚二甲基硅氧烷(PDMS)、高密度聚乙烯、聚苯乙烯等常见具有良好生物相容性且在太赫兹波段吸收系数较小的基底。
所述微流道层，用于为液体样本与金属谐振层充分接触提供微通道。
所述金属谐振层，用于与液体样本接触产生谐振峰；所述金属谐振层是由若干个子结构组成的阵列；在本实例中，所述金属谐振层的材料可选择金、银、铜等材料。
所述支撑层上设置有液体输入通道和液体输出通道，所述液体输入通道和液体输出通道分别与微流道层连通，提供了液体样本注入微流道的通道并支撑超材料结构；支撑层的材料可选择PDMS、聚乙二醇(PEG)或其他生物相容性较好的材料。
进一步地，微流道超材料传感器类型为透射型或反射型；金属谐振层子结构包括I型、C型、H型、O型、E型。
需要说明的是，当微流道超材料传感器类型为透射式时，金属谐振层子结构采用O型、E型、C型，在相同尺寸下，O型相对E型和C型的共振峰频点越高，但品质因数越低；H型为反射型微流道超材料传感器类型。I型既可作为透射式微流道超材料传感器也可作为反射式微流道超材料传感器，作为反射型微流道超材料传感器类型时利用的是低频段，作为投射型微流道超材料传感器类型时利用的是高频段。
步骤S2：根据微流道超材料传感器类型与其在谐振峰频率段的吸收系数确定衬底层、金属谐振层以及支撑层的材料；
当微流道超材料传感器类型为透射式时，衬底层的材料选用聚酰亚胺、聚二甲基硅氧烷、聚苯乙烯、硅、石英；当微流道超材料传感器类型为反射式时，衬底层的材料选用硼硅酸盐冕玻璃、硼硅酸盐玻璃；
金属谐振层的材料选用金、银或铜；
支撑层的材料选用聚二甲基硅氧烷、聚乙二醇。
步骤S3：基于微流道超材料传感器的结构构建等效电路模型，得到微流道超材料传感器的结构与电磁参数之间的映射关系。
将微流道超材料传感器的结构等效为若干个并联的子回路；根据基尔霍夫定律进行子回路的建模，表达式如下：
Im(ωLm-1/ωCm-1/ωCm,m+1)j+ImRm+jIm+1/ωCm,m+1＝Vm
式中，Vm为第m个回路的电压，子回路m具有谐振峰值时Vm＞0，子回路m不具有谐振峰值时Vm＝0；Im为第m个回路的电流；Cm为第m个回路的电容；Rm为第m个回路的电阻；ω表示角频率，Lm表示第m个回路的电感，Cm,m+1表示第m个回路与第m+1个回路的耦合电容。
根据电量qm＝Nmejωt与第m个回路的电流Im之间的关系，建立每个回路电量的微分模型：
式中，γm＝Rm/Lm第m个子回路的阻尼系数(也即损耗因子)；当受外加电压Vm＞0激发时，产生频率为谐振峰值，Cem＝CmCm,m+1/(Cm+Cm,m+1)；且相互两个相邻回路之间的耦合系数/>
根据每个回路电量的微分模型求得每个子回路的电量qm，最终计算各子回路吸收功率与有效极化率：
χeff＝χr+jχj＝P/ε0Vmean
式中，P表示回路吸收功率，M为子回路总数，χeff表示有效极化率，χr和χj分别为有效极化率的实部和虚部，ε0为真空的有效介电常数，为各子回路均值电压。
根据各子回路吸收功率与有效极化率，得到微流道超材料传感器的传输系数T，表达式如下：
T＝|c(1+nsub)|/|c(1+nsub)-jωχj|
式中，c为光速，nsub为支撑层的折射率，j代表虚部。
需要说明的是，依据实际金属谐振层子结构的特征，阻尼系数和耦合系统和结构参数有正相关或负相关的关系。
步骤S4：设置微流道超材料传感器的结构参数之间的约束关系；包括：金属谐振层子结构的间距di,j大于0，且结构之间相互不干涉。
步骤S5：根据微流道超材料传感器的结构与电磁参数之间的映射关系以及微流道超材料传感器的结构参数之间的约束关系，设置待设计的微流道超材料传感器的结构特征参数。
所述待设计的微流道超材料传感器的结构特征参数包括：金属谐振层子结构的结构参数，金属谐振层子结构的间距，衬底层的厚度，微流道层的厚度，金属谐振层的厚度，支撑层的厚度；
当金属谐振层子结构为I型、C型、H型、E型时，金属谐振层子结构的结构参数为金属谐振层子结构的长度、宽度；
当金属谐振层子结构为O型时，金属谐振层子结构的结构参数为金属谐振层子结构的圆环半径。
步骤S6：以微流道超材料传感器的灵敏度、品质因数、半峰宽下的品质因数为优化指标，采用遗传算法对微流道超材料传感器的结构特征参数进行优化。
步骤S601：对待设计的对微流道超材料传感器的结构特征参数进行编码随机生成初始群体。
进一步地，对金属谐振层子结构的结构参数{Bm}、组合超材料的间距di,j、衬底的厚度dsubstrate、微流道的厚度dmicro-fluid、金属谐振层的厚度dresonantor、支撑层的厚度dstrut等结构参数进行编码随机生成初始群体。
步骤S602：目标函数制定f(Sm,Qm,FOMm)，Sm为第m个共振峰(Dip)的灵敏度，Qm为第m个子结构的品质因素，FOMm为第m个子结构FOM值(figure of merit，品质因素)；
步骤S603：计算种群适应度，将最优的个体保留，接着开始执行选择、交叉、变异的过程，并得到优化的种群；
选择操作：a)确定一个初始种群，计算种群内每个个体的适应度值；b)将种群内的个体按照适应度由大到小降序排列；c)选取前两个个体直接遗传到下一代，其余个体按照已排序好的顺序等分为优、良、中、差四份；d)对优的那份个体复制两份，良、中的个体各复制一份，差的个体不复制。
交叉操作：根据实数编码规则，从种群中选择两个个体以一定概率交叉得到的新个体分别为
wkj＝wkj(1-b)+wljb
wlj＝wlj(1-b)+wkjb
其中：wkj和wlj分别表示第k和第l个基因的第j位；b为[0,1]间的随机数。
变异操作：从种群中随机选择一个个体以一定概率变异得到的新个体为
f(g)＝r2(1-g/Gmax)
其中：wmax和wmin分别是基因wij取值上、下界；r和r2均为[0,1]间的随机数；g为当前迭代次数；Gmax为最大进化代数。
步骤S604：当达到预设的迭代次数时，得到最佳个体；对最佳个体进行解码，得到最优的微流道超材料传感器的结构特征参数。
步骤S7：获取最优的微流道超材料传感器的结构特征参数对应的灵敏度、品质因数、半峰宽下的品质因数，并与目标灵敏度、目标品质因数、半峰宽下的目标品质因数作差得到灵敏度误差、品质因数误差、半峰宽下的品质因数误差；
当灵敏度误差、品质因数误差、半峰宽下的品质因数误差满足预设的灵敏度误差阈值、品质因数误差阈值、半峰宽下的品质因数误差阈值时，完成微流道超材料的设计；如果不满足，则重新进行金属谐振层子结构的选型。
其中，Sm,p,Qm,p,FOMm,p分别为当前阶段预测结构参数的灵敏度、品质因数、半峰宽下的品质因数，计算灵敏度误差、品质因数误差、半峰宽下的品质因数误差，表达式如下：
ΔSm＝Sm-Sm,p
ΔQm＝Qm-Qm,p
ΔFOMm＝FOMm-FOMm,p
在本实例中，灵敏度误差阈值一般设置为误差在10GHz/RIU～50GHz/RIU范围，品质因数误差阈值一般设置为误差在0.2～6范围，半峰宽下的品质因数误差范围在1～4范围，也可视实际应用情况适当调整。
实施例1
本实施例采用如图4所示的E型与C型结合的金属谐振层设计，其中第一金属谐振层子结构采用E型，第二金属谐振层子结构采用C型。待设计的微流道超材料传感器的结构特征参数，包括：单元长度P，衬底厚度dsubstrate，E型子结构长度l1、E型子结构宽度w1，C型子结构长度l2、C型子结构宽度w2，E型子结构与C型子结构之间的间距d1，2，微流道厚度dmicro-fluid，谐振层厚度dresonantor、支撑层厚度dstrut。按照图3所示流程进行基于遗传算法的微流道超材料设计，分别将上述关键参数进行编码，生成种群数目、规模以及迭代数设置为1、10、20。选择算子设定为轮盘赌算法；交叉算子采用两点交叉，设置0.8的交叉概率；变异算子设置变异概率为0.2。
图5给出了E型结构与C型结构组合的初始结构参数与优化结构参数后的传输曲线图，图5中的(a)为初始指标下的传输曲线图，其中第一个共振峰频点在1.62THz处，第二个共振峰频点在2.46THz处，品质因数分别为54和58，图5中的(b)为结构参数优化后的传输曲线图，其中第一个共振峰频点在1.617THz处，第二个共振峰频点在2.462THz处，。图6为遗传算法优化关键结构参数在第1、5和10代的演化过程图，并得到最终的最优结果图6中的(a)为E型结构的长度和宽度在迭代一次、五次、十次和最终的优化结果，图6中的(b)为C型结构的长度和宽度在迭代一次、五次、十次和最终的优化结果。图7为关键结构参数优化结果图，图7中的(a)代表E型最优结构下的共振峰频点对应的角频率位置，图7中的(b)代表E型最优结构下的阻尼系数大小，图7中的(c)代表C型最优结构下的共振峰频点对应的角频率位置，图7中的(d)代表C型最优结构下的阻尼系数大小。
参数优化结果为P＝50um，l1＝17.06um，w1＝30.42um，l2＝17.79um，w2＝16.56um，dsubstrate＝25um，d1，2＝4.76um，dmicro-fluid＝10.50um，dresonantor＝0.22um，dstrut＝10.34um。
并且，本发明引入不同折射率的生物液体样本作为待测物，进行作用效果分析。在引入待测物后，图8所示实施例寻优参数仿真结果图具有微流道结构的超材料两个波谷之间的最高灵敏度为434GHz/RIU和548GHz/RIU，两个共振峰的Q值分别为53.71和58.52。由图8可知，微流道填充不同的待测分析物时，超材料吸波体的谐振峰几乎没有重合，可以很好的将不同的待测分析物区分开。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于遗传算法的微流道超材料设计方法。如图9所示，为本发明实施例提供的基于遗传算法的微流道超材料设计方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图9所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于遗传算法的微流道超材料设计方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。
Claims (8)
1.一种基于遗传算法的微流道超材料设计方法，其特征在于，微流道超材料传感器包括自下而上布置的衬底层、微流道层、金属谐振层以及支撑层；其中，金属谐振层是由若干个子结构组成的阵列；
所述设计方法包括：
根据谐振峰个数、谐振峰频率位置进行微流道超材料传感器类型以及金属谐振层子结构的选型；
根据微流道超材料传感器类型与其在谐振峰频率段的吸收系数确定衬底层、金属谐振层以及支撑层的材料；
基于微流道超材料传感器的结构构建等效电路模型，得到微流道超材料传感器的结构与电磁参数之间的映射关系；包括：
将微流道超材料传感器的结构等效为若干个并联的子回路；根据基尔霍夫定律进行子回路的建模，表达式如下：
Im(ωLm-1/ωCm-1/ωCm,m+1)j+ImRm+jIm+1/ωCm,m+1＝Vm
式中，Vm为第m个回路的电压；Im为第m个回路的电流；Cm为第m个回路的电容；Rm为第m个回路的电阻；ω表示角频率，Lm表示第m个回路的电感，Cm,m+1表示第m个回路与第m+1个回路的耦合电容；
建立每个回路电量的微分模型，表达式如下：
式中，γm＝Rm/Lm第m个子回路的阻尼系数；当受外加电压Vm＞0激发时，产生频率为谐振峰值，Cem＝CmCm,m+1/(Cm+Cm,m+1)；且相互两个相邻回路之间的耦合系数
根据每个回路电量的微分模型求得每个子回路的电量qm，计算各子回路吸收功率与有效极化率，表达式如下：
χeff＝χr+jχj＝P/ε0Vmean
式中，P表示回路吸收功率，M为子回路总数，χeff表示有效极化率，χr和χj分别为有效极化率的实部和虚部，ε0为真空的有效介电常数，为各子回路均值电压；
根据各子回路吸收功率与有效极化率，得到微流道超材料传感器的传输系数T，表达式如下：
T＝|c(1+nsub)|/|c(1+nsub)-jωχj|
式中，c为光速，nsub为支撑层的折射率，j代表虚部；
设置微流道超材料传感器的结构参数之间的约束关系；包括：两两金属谐振层子结构的间距大于0，且两两金属谐振层子结构之间相互不干涉；
根据微流道超材料传感器的结构与电磁参数之间的映射关系以及微流道超材料传感器的结构参数之间的约束关系，设置待设计的微流道超材料传感器的结构特征参数；其中，微流道超材料传感器的结构特征参数包括：金属谐振层子结构的结构参数，金属谐振层子结构的间距，衬底层的厚度，微流道层的厚度，金属谐振层的厚度，支撑层的厚度；
当金属谐振层子结构为I型、C型、H型、E型时，金属谐振层子结构的结构参数为金属谐振层子结构的长度、宽度；
当金属谐振层子结构为O型时，金属谐振层子结构的结构参数为金属谐振层子结构的圆环半径；
以微流道超材料传感器的灵敏度、品质因数、半峰宽下的品质因数为优化指标，采用遗传算法对微流道超材料传感器的结构特征参数进行优化。
2.根据权利要求1所述的一种基于遗传算法的微流道超材料设计方法，其特征在于，微流道超材料传感器类型为透射型或反射型；金属谐振层子结构包括I型、C型、H型、O型、E型。
3.根据权利要求1所述的一种基于遗传算法的微流道超材料设计方法，其特征在于，根据微流道超材料传感器类型与其在谐振峰频率段的吸收系数确定衬底层、金属谐振层以及支撑层的材料包括：
当微流道超材料传感器类型为透射式时，衬底层的材料选用聚酰亚胺、聚二甲基硅氧烷、聚苯乙烯、硅、石英；当微流道超材料传感器类型为反射式时，衬底层的材料选用硼硅酸盐冕玻璃、硼硅酸盐玻璃；
金属谐振层的材料选用金、银或铜；
支撑层的材料选用聚二甲基硅氧烷、聚乙二醇。
4.根据权利要求1所述的一种基于遗传算法的微流道超材料设计方法，其特征在于，子回路m具有谐振峰值时第m个回路的电压Vm＞0，子回路m不具有谐振峰值时，第m个回路的电压Vm＝0。
5.根据权利要求1所述的一种基于遗传算法的微流道超材料设计方法，其特征在于，以微流道超材料传感器的灵敏度、品质因数、半峰宽下的品质因数为优化指标，采用遗传算法对微流道超材料传感器的结构特征参数进行优化包括：
对待设计的对微流道超材料传感器的结构特征参数进行编码随机生成初始群体；
设置目标函数f(Sm,Qm,FOMm)，Sm为第m个共振峰的灵敏度，Qm为第m个金属谐振层子结构的品质因素，FOMm为第m个金属谐振层子结构在半峰宽下的品质因数；
对初始群体进行选择、交叉、变异；
当达到预设的迭代次数时，得到最佳个体；对最佳个体进行解码，得到最优的微流道超材料传感器的结构特征参数。
6.根据权利要求1所述的一种基于遗传算法的微流道超材料设计方法，其特征在于，所述设计方法还包括：
获取最优的微流道超材料传感器的结构特征参数对应的灵敏度、品质因数、半峰宽下的品质因数，并与目标灵敏度、目标品质因数、半峰宽下的目标品质因数作差得到灵敏度误差、品质因数误差、半峰宽下的品质因数误差；
当灵敏度误差、品质因数误差、半峰宽下的品质因数误差满足预设的灵敏度误差阈值、品质因数误差阈值、半峰宽下的品质因数误差阈值时，完成微流道超材料的设计；如果不满足，则重新进行金属谐振层子结构的选型。
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-6任一项所述的基于遗传算法的微流道超材料设计方法。
8.一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，所述程序被处理器执行时实现如权利要求1-6中任一所述的基于遗传算法的微流道超材料设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532744.3A CN117524372B (zh) | 2023-11-16 | 2023-11-16 | 基于遗传算法的微流道超材料设计方法、电子设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532744.3A CN117524372B (zh) | 2023-11-16 | 2023-11-16 | 基于遗传算法的微流道超材料设计方法、电子设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117524372A CN117524372A (zh) | 2024-02-06 |
| CN117524372B true CN117524372B (zh) | 2024-05-17 |
Family
ID=89743336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311532744.3A Active CN117524372B (zh) | 2023-11-16 | 2023-11-16 | 基于遗传算法的微流道超材料设计方法、电子设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117524372B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
| CN110190390A (zh) * | 2019-06-13 | 2019-08-30 | 湖北汽车工业学院 | 基于冗余设计的k波段超材料微带天线及设计方法 |
| CN111504940A (zh) * | 2020-05-11 | 2020-08-07 | 中国人民解放军陆军军医大学第一附属医院 | 一种太赫兹超材料与微流体技术联用的生物传感器及在液相生物样本检测中的应用 |
| CN111898266A (zh) * | 2020-07-29 | 2020-11-06 | 大连海事大学 | 任意形状亚波长孔径高效透射超材料微结构拓扑优化方法 |
| CN112164432A (zh) * | 2020-09-29 | 2021-01-01 | 大连海事大学 | 亚波长孔径传输增强下小型化共面超材料优化方法 |
| CN113381517A (zh) * | 2021-03-31 | 2021-09-10 | 华南理工大学 | 基于人工蜂群算法的磁共振式无线充电系统参数设计方法 |
| WO2021184494A1 (zh) * | 2020-03-19 | 2021-09-23 | 山东科技大学 | 一种传感器的制备方法、传感器以及传感器的检测方法 |
| CN114970366A (zh) * | 2022-06-10 | 2022-08-30 | 清华大学 | 一种功能梯度超材料结构优化设计方法及系统 |
| CN115452076A (zh) * | 2022-09-28 | 2022-12-09 | 浙江大学 | 一种基于相变材料的高灵敏度热式微流量传感器 |
| WO2023029446A1 (zh) * | 2021-09-02 | 2023-03-09 | 广东泰坦智能动力有限公司 | 基于遗传算法的谐振变换器设计参数选定方法 |
| CN115796046A (zh) * | 2022-12-12 | 2023-03-14 | 玉林师范学院 | 一种太赫兹超材料传感器优化设计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7256753B2 (en) * | 2003-01-14 | 2007-08-14 | The Penn State Research Foundation | Synthesis of metamaterial ferrites for RF applications using electromagnetic bandgap structures |
| US7750869B2 (en) * | 2007-07-24 | 2010-07-06 | Northeastern University | Dielectric and magnetic particles based metamaterials |
| TWI798869B (zh) * | 2021-10-15 | 2023-04-11 | 財團法人工業技術研究院 | 微流道感測晶片及其量測系統 |
-
2023
- 2023-11-16 CN CN202311532744.3A patent/CN117524372B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
| CN110190390A (zh) * | 2019-06-13 | 2019-08-30 | 湖北汽车工业学院 | 基于冗余设计的k波段超材料微带天线及设计方法 |
| WO2021184494A1 (zh) * | 2020-03-19 | 2021-09-23 | 山东科技大学 | 一种传感器的制备方法、传感器以及传感器的检测方法 |
| CN111504940A (zh) * | 2020-05-11 | 2020-08-07 | 中国人民解放军陆军军医大学第一附属医院 | 一种太赫兹超材料与微流体技术联用的生物传感器及在液相生物样本检测中的应用 |
| CN111898266A (zh) * | 2020-07-29 | 2020-11-06 | 大连海事大学 | 任意形状亚波长孔径高效透射超材料微结构拓扑优化方法 |
| CN112164432A (zh) * | 2020-09-29 | 2021-01-01 | 大连海事大学 | 亚波长孔径传输增强下小型化共面超材料优化方法 |
| CN113381517A (zh) * | 2021-03-31 | 2021-09-10 | 华南理工大学 | 基于人工蜂群算法的磁共振式无线充电系统参数设计方法 |
| WO2023029446A1 (zh) * | 2021-09-02 | 2023-03-09 | 广东泰坦智能动力有限公司 | 基于遗传算法的谐振变换器设计参数选定方法 |
| CN114970366A (zh) * | 2022-06-10 | 2022-08-30 | 清华大学 | 一种功能梯度超材料结构优化设计方法及系统 |
| CN115452076A (zh) * | 2022-09-28 | 2022-12-09 | 浙江大学 | 一种基于相变材料的高灵敏度热式微流量传感器 |
| CN115796046A (zh) * | 2022-12-12 | 2023-03-14 | 玉林师范学院 | 一种太赫兹超材料传感器优化设计方法 |
Non-Patent Citations (5)
| Title |
|---|
| 60GHz贴片天线用低温共烧陶瓷基板的微机械加工;缪旻;张小青;姚雅婷;沐方清;胡独巍;;光学精密工程;20130615(第06期);第1447-1455页 * |
| An AMC-Based Liquid Sensor Optimized by Particle-Ant Colony Optimization Algorithms;Fang, YH等;IEEE SENSORS JOURNAL;20220201;第22卷(第3期);第2083-2090页 * |
| Metamaterial sensor based on rectangular enclosed adjacent triple circle split ring resonator with good quality factor for microwave sensing application;Islam, MR等;SCIENTIFIC REPORTS;20220426;第12卷(第1期);文献号6792（2022） * |
| 柔性微流体电子:材料、工艺与器件;尹周平;吴志刚;黄永安;;中国材料进展;20160229(第02期);第108-117页 * |
| 面向结肠肿瘤和化疗损伤诊断的太赫兹检测方法研究;曹雨齐;中国博士学位论文全文数据库 基础科学辑;20230215(第02期);第A005-185页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117524372A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Simulating reservoir operation using a recurrent neural network algorithm | |
| Lan et al. | Dual-band refractometric terahertz biosensing with intense wave-matter-overlap microfluidic channel | |
| Chakravarty et al. | Application of a microgenetic algorithm (MGA) to the design of broadband microwave absorbers using multiple frequency selective surface screens buried in dielectrics | |
| Ergül | Solutions of large-scale electromagnetics problems involving dielectric objects with the parallel multilevel fast multipole algorithm | |
| Liu et al. | A GA-BP neural network regression model for predicting soil moisture in slope ecological protection | |
| CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
| CN114418082A (zh) | 光学神经网络芯片的参数生成方法及制造方法 | |
| Klokkou et al. | Artificial neural networks for material parameter extraction in terahertz time-domain spectroscopy | |
| Yang et al. | Predominant cognitive learning particle swarm optimization for global numerical optimization | |
| CN117524372B (zh) | 基于遗传算法的微流道超材料设计方法、电子设备、介质 | |
| Pan et al. | Equivalent circuit-assisted multi-objective particle swarm optimization for accelerated reverse design of multi-layer frequency selective surface | |
| Liu et al. | Digital modeling on large kernel metamaterial neural network | |
| CN113705031A (zh) | 基于深度学习的纳米天线阵列电磁性能预测方法 | |
| CN113158563A (zh) | 基于神经网络与蒙特卡洛的一维光子晶体反向设计方法 | |
| Chen et al. | Differentiable-decision-tree-based neural turing machine model integrated into FDTD for implementing EM problems | |
| Sun et al. | Discretization of two-dimensional Luneburg lens based on the correctional effective medium theory | |
| Li et al. | [Retracted] Stability Evaluation of Rock Slope in Hydraulic Engineering Based on Improved Support Vector Machine Algorithm | |
| CN114429081A (zh) | 一种基于智能算法的高q值硅基光子晶体纳米束微腔 | |
| CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
| Liu et al. | Application and Comparison of Machine Learning Methods for Mud Shale Petrographic Identification | |
| Geng et al. | Route to flexible metamaterial terahertz biosensor based on multi-resonance dips | |
| CN116484724B (zh) | 基于高阶矩量法电磁建模参数的天线检测方法 | |
| Li | [Retracted] Analysis of Artistic Creation and Design Methods in Universities Based on Augmented Reality and 5G Communication Technology | |
| Hamed et al. | Metasurface Inverse Design: Global Optimization and Machine Learning Integration | |
| Chen et al. | Hybrid neighborhood and global replacement strategies for multi objective evolutionary algorithm based on decomposition |
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 | ||
| GR01 | Patent grant |