在这项工作中，提出了一种具有多阶亥姆霍兹谐振器腔体的可重构声学超吸收器。超吸收器单元由多个圆盘、垫圈和底部腔体组成，这些部件以串联配置排列，展示了令人印象深刻的声吸收特性。实验结果显示，在80-1600赫兹的频率范围内观察到多个吸收峰。通过仔细调整各个圆盘的位置和其他结构参数，超吸收器实现了可调的宽带和准完美吸收（≥0.9）。实验结果表明，圆盘中心孔的大小是一个重要的输入参数，与整体吸收特性密切相关。通过在设计过程中对几何参数进行自适应调整，特别是在低频下的声吸收性能得到了显著提升。此外，还介绍了一种基于机器学习模型的创新多层前馈网络设计方法，并通过实验验证了其对超吸收器的有效性。通过使用两种类型的利用各种机器学习算法，如人工神经网络（ANN）、k近邻（kNN）和径向基函数神经网络（RBFN），比较了这些模型的预测能力。结合机器学习模型可以有效地优化甲烷吸收器的几何参数，使特定的功能能够在不依赖物理模型的情况下实现。对比分析表明，在采用的机器学习算法中，ANN表现出最优越的预测性能，紧随其后的是kNN方法。然而，在所有三种模型的情况下，在高频范围内（600 Hz）经常可以观察到显著的偏差。这种限制可能是由于算法使用的样本数量较少，因为只收集了所有可能的堆叠组合的64.5%（方法II: 720个样本），这意味着大量的数据集是准确预测目标值的最关键因素。这项研究为利用声学超材料和集成机器学习技术增强吸声能力提供了有价值的见解。这些发现有助于室内声学的进步和有效的降噪，为各个领域的众多应用提供了潜力。
往期前沿文献汇总超链接： 前沿文献
【免责声明】本文中的部分图片和文字信息来自文献或网络，版权归原作者所有。本文对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，本公众号将立即删除修改。
