(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210643830.0 (22)申请日 2022.06.09 (65)同一申请的已公布的文献号 申请公布号 CN 114722690 A (43)申请公布日 2022.07.08 (73)专利权人 华中科技大 学 地址 430000 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 周奇　吴金红　林泉　胡杰翔　 刘华坪　黄旭丰　金朋　王胜一　 毛义军　郑建国　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 专利代理师 陈凯 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112115639 A,2020.12.2 2 CN 114357636 A,2022.04.15 CN 113361025 A,2021.09.07 US 20193 64362 A1,2019.1 1.28 WO 202026 3358 A1,2020.12.3 0 CN 113627098 A,2021.1 1.09 CN 112182938 A,2021.01.0 5 Zhao Dong ET AL.Automated Recogn ition of Wood Damages using Artificial Neural Network. 《2009 Internati onal Conference o n Measuring Technology and Mec hatronics Automati on》 .2009, 赵瑞等.声学超表面抑制Mack第2模态机理 与优化设计. 《气体物理》 .2018, 审查员 史雪飞 (54)发明名称 基于变可信度神经网络的声学超表面声场 快速预测方法 (57)摘要 本发明提供了基于变可信度神经网络的声 学超表面声场快速预测方法， 该预测方法包括如 下步骤： 获取待预测声学超表面的几何特征、 设 计变量及其变化范围， 以及待预测声场信息； 根 据待预测声学超表面的设计变量， 建立声学超表 面的第一精度有 限元模型和第二精度有 限元模 型； 采用拉丁超立方采样法， 第一精度样本点以 及第二精度样本点； 通过有限元模型批量化仿 真， 获取各个第一精度样本点及第二精度样本点 的声场分布数据， 并对数据进行预处理， 利用第 二精度样本点声场分布数据对第一精度样本点 声场分布数据进行扩充， 获取训练数据集； 构建 变可信度神经网络模型， 并根据训练数据集对变 可信度神经网络模型进行训练。 权利要求书3页 说明书9页 附图3页 CN 114722690 B 2022.09.02 CN 114722690 B 1.基于变可信度神经网络的声学超表面声场快速预测方法， 其特征在于， 该预测方法 包括如下步骤： S1： 获取待预测声学超表面的几何特征、 设计变量及其变化范围， 以及待预测声场信 息； 所述声学超表面的几何特征为厚度方向小于入射声波波长的结构， 其被均分为 个单 元， 每个单元具有不同的密度和弹性模量属性值； 所述设计变量为单元密度 与单元弹性 模量 ， 设计变量个数 ； 所述待预测声场信息为超表面周围均匀分布的采样点的声 压值； S2： 根据待预测声学超表面的设计变量， 建立声学超表面的有限元模型， 并进一步建立 声学超表面的第一精度有限元模型和第二精度有限元模型； S3： 采用拉丁超立方采样法， 获取第一精度有限元模型对应的第一精度样本点， 以及第 二精度有限元模型对应的第二精度样本点； S4： 通过有限元模型批量化仿真， 获取各个第一精度样本点及第二精度样本点的声场 分布数据， 并对数据进行预处理， 利用第二精度样本点声场分布数据对第一精度样本点声 场分布数据进行扩充， 获取训练数据集； S5： 构建变可信度神经网络模型， 并根据训练数据集对变可信度神经网络模型进行训 练； 变可信度神经网络模型通过学习第一精度样本点声场分布数据与第二精度样本点声场 分布数据之间的线性或者非线性关系， 第二精度样本点声场分布数据提供趋势信息， 用第 一精度样本点声场分布数据对预测 值进行校正， 来融合不同精度的样本点声场分布数据， 从而提高神经网络模型的预测精度； S6： 利用训练后的变可信度神经网络模型对声学超表面声场进行 快速预测。 2.根据权利要求1所述的基于变可信度神经网络的声学超表面声场快速预测方法， 其 特征在于， 步骤S5中所述构建变可信度神经网络模型， 该变可信度神经网络模型包括三个 部分， 第二精度预测 部分 、 线性子网络 和非线性子网络 ； 构建变可信度神经网络 的流程为： S501： 给定输入 ， 给定输入为长度 的向量； S502： 构建第二精度预测部分 ， 其输入神经元个数为 ， 通过全连接层、 卷积层 和池化层提取输入特征并输出预测声场， 得到变可信度神经网络模型的第二精度输出的预 测结果 ； S503： 将给定输入 和变可信度神经网络模型的第二精度输出的预测结果 拼接成 新的输入 ； S504： 构建线性子网络 部分， 此部分网络不添加非线性激活函数， 通过全连接层、 卷 积层和池化层提取新的输入 特征， 输出线性子网络预测结果 ； S505： 构建非线性子网络部分 ， 此部分网络添加非线性激活函数， 通过全连接层、 卷权　利　要　求　书 1/3 页 2 CN 114722690 B 2积层和池化层提取新的输入 特征， 并输出非线性子网络预测结果 ； S506： 变可信度神经网络的第一精度输出的预测结果 为 ； 和 分别为线 性子网络 和非线性子网络 的权值， 。 3.根据权利要求2所述的基于变可信度神经网络的声学超表面声场快速预测方法， 其 特征在于， 非线性激活函数为relu函数或者tanh函数。 4.根据权利要求1 ‑3任一项所述的基于变可信度神经网络的声学超表面声场快速预测 方法， 其特征在于， 步骤S2中根据待 预测声学超表面的设计变量， 建立声 学超表面的有限元 模型， 并进一步建立声 学超表面的第一精度有限元模型和第二精度有限元模型， 具体是： 将 声学超表面放置于一矩形平板的上表面， 声学超表面具有矩形 的边界； 首先建立声学超表 面及矩形平板的有限元模型， 采用三角形非结构网格对该有限元模型进行网格划分； 进一 步对声学超表面所在区域的网格进行加密处理， 并满足网格一致收敛性条件， 得到声学超 表面的第一精度有限元模型； 声 学超表面的第二精度有限元模型是在声 学超表面的第一精 度有限元模型 的基础上， 保持声学超表面区域网格尺寸不变， 将有限元模型 的非声学超表 面区域的网格尺寸 放大得到。 5.根据权利要求1 ‑3任一项所述的基于变可信度神经网络的声学超表面声场快速预测 方法， 其特征在于， 步骤S 3中所述采用拉丁超立方采样法， 获取第一精度有限元模 型对应的 第一精度样本点， 以及第二精度有限元模型对应的第二精度样本点， 是在设计变量的个数 的范围内， 采用拉丁超 立方采样法在设计变量范围内生成 个第二精度 样本点， 从生成 的 个第二精度样本点中随机 选取 个作为第一精度样本点。 6.根据权利要求5所述的基于变可信度神经网络的声学超表面声场快速预测方法， 其 特征在于， 步骤S4所述的通过有限元模型批量化仿真， 获取各个第一精度样本点及第二精 度样本点的声场分布数据， 并对数据进行预处理， 利用第二精度样本点声场分布数据对第 一精度样本点声场分布数据进行扩充， 获取训练数据集， 是将声学超表面的有限元模型划 分为 的规则栅格矩阵， 通过插值获得每个栅格点的声压值， 对于栅格位于超表面 或者实体上的点， 其声压值设定为0； 通过有限元分析软件自带的批量化仿真， 得到每个第 二精度样本点或者第一精度样本点在每个栅格点处的声压值， 共获得 个 维度 的第二精度样本点声场分布数据构成的第二精度数据集， 以及 个 维度的第一 精度样本点声场分布数据； 第一精度样本点声场分布数据如果少于第二精度样本点声场分 布数据的个数， 则将第一精度样本点声场分布数据中缺 失的部分用对应位置的第二精度样 本点声场分布数据进 行扩充， 直到第一精度样本点声场分布数据的数量与第二精度样本点 声场分布数据的数量相等， 得到第一精度数据集； 第二精度数据集与第一精度数据集构成 了训练数据集。 7.根据权利要求6所述的基于变可信度神经网络的声学超表面声场快速预测方法， 其 特征在于， 步骤S5中所述对变可信度神经网络模型进行训练， 还包括对变可信度神经网络权　利　要　求　书 2/3 页 3 CN 114722690 B 3