机载吸声系数是研究多孔材料吸声性能或吸声机理的前提。常用的数值计算方法是有限元法，但在处理复杂结构或大量数据时，计算成本相对较高。
另一方面，快速发展的深度学习算法在数据驱动的方式下显示出有效和精确地学习和预测材料参数的良好趋势。我们提出了基于深度卷积神经网络的SAP-net来预测表征多孔材料拓扑结构的输入图像在特定频率下的吸声系数。在6个频率点的fem数据训练下，SAP-net的评估速度为0.007 s/张，预测精度很高，平均绝对误差均小于0.019 (f = 1000 Hz时最小误差为0.008)。同时，SAP-net在预测与训练数据本质上不同的图像时仍然准确，这表明它有能力学习和捕捉将拓扑结构与吸声性能联系起来的潜在物理机制。综上所述，SAP-net为研究吸声性能提供了一种非常快速和准确的方法，有望加快材料的检查和设计过程。
未来的工作涉及如何将所有感兴趣的频率点组合到一个sap网络中，并允许用一组神经网络权值预测完整的吸声曲线。
此外，这项工作构成了逆向设计网络的重要组成部分。因此，下一步是针对介相材料进行性能材料反设计。
【免责声明】本文中的部分图片和文字信息来自该文献，版权归原作者所有，此公众号的所有文章仅用于学习，对文中发表的观点和分析保持中立，如果您认为文中信息来源或者分析观点有误，又或者涉及版权、隐私等问题，请及时私信联系VX：acoustic_engineers 同步 18502558785
