基于条件扩散模型的多孔吸声超材料设计方法和系统
本技术涉及吸声超材料设计,特别是涉及一种基于条件扩散模型的多孔吸声超材料设计方法和系统。
背景技术:
1、吸声超材料是一类能够突破传统材料厚度限制,在超薄条件下实现优异低频吸声性能的人工结构材料。其设计通常依赖专家经验、声学理论建模与有限元仿真分析,存在设计周期长、构型选择有限、优化迭代效率低等问题。
2、近年来,机器学习方法在材料逆向设计中得到应用,例如采用多层感知机、变分自编码器或生成对抗网络等模型。然而,这些方法在用于声学超材料设计时,仍存在训练不稳定、生成结构质量不高、难以实现跨构型设计与多相态信息充分表达等局限。尤其是现有方法多采用参数化或简化图像表示材料,导致输入信息不全,设计范围受限。
3、扩散模型作为一种基于概率生成框架的深度学习模型,通过模拟数据加噪与去噪的过程学习数据分布,具有训练稳定、生成质量高、多样性好的优势,为声学超材料的高效、精准逆向设计提供了新的可能。
4、因此,有必要结合条件扩散模型,构建一种能够以目标吸声性能为条件、直接生成多孔吸声超材料结构的逆向设计方法,以解决现有技术中存在的设计效率低、结构生成质量不佳的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够实现指定吸声性能的快速、高质量逆向设计的基于条件扩散模型的多孔吸声超材料设计方法和系统。
2、一种基于条件扩散模型的多孔吸声超材料设计方法,所述方法包括:
3、构建条件去噪扩散概率模型;所述条件去噪扩散概率模型以多孔吸声超材料的结构图像及其在预设频段内的吸声性能曲线作为训练样本;
4、通过对所述结构图像执行正向扩散以逐步添加噪声,并以所述吸声性能曲线作为条件,训练所述条件去噪扩散概率模型中的u-net模块学习反向去噪以重建原始结构图像;
5、将目标吸声性能曲线输入至训练完成的条件去噪扩散概率模型,通过所述条件去噪扩散概率模型的条件嵌入模块将所述目标吸声性能曲线作为条件特征转换至特征潜空间并嵌入至u-net模块中;
6、将随机高斯噪声输入训练完成的条件去噪扩散概率模型,以所述条件特征为引导,利用所述噪声预测网络执行反向扩散过程,生成与所述目标吸声性能曲线对应的多孔吸声超材料结构图像。
7、在其中一个实施例中,所述预设频段为300赫兹至3000赫兹,所述吸声性能曲线由该频段内以50赫兹为间隔的多个离散频点的吸声系数构成。
8、在其中一个实施例中,所述正向扩散过程的步骤包括:
9、在预设的多个时间步中,向所述结构图像逐步添加符合高斯分布的噪声,直至所述结构图像转化为纯噪声。
10、在其中一个实施例中,将目标吸声性能曲线作为条件特征嵌入至u-net模块中,包括:
11、在所述u-net模块的上采样路径的两个不同特征维度层级上,分别嵌入所述条件特征。
12、在其中一个实施例中,所述方法还包括:
13、在利用所述u-net模块执行反向扩散过程时,引入预先设置的可调节的引导权重参数,以控制所述条件特征对去噪生成过程的影响强度。
14、在其中一个实施例中,在生成所述多孔吸声超材料结构图像之后,还包括:
15、对生成的多孔吸声超材料结构图像进行声学性能仿真,获得所述多孔吸声超材料结构图像对应的仿真吸声曲线;
16、引导权重参数调控所述目标吸声性能曲线与仿真吸声曲线之间的匹配度,通过调节引导权重参数平衡生成多孔吸声超材料结构图像的多样性和与所述目标吸声性能曲线之间的匹配度。
17、一种基于条件扩散模型的多孔吸声超材料设计系统,所述系统包括:
18、模型构建模块,用于构建条件去噪扩散概率模型;所述条件去噪扩散概率模型以多孔吸声超材料的结构图像及其在预设频段内的吸声性能曲线作为训练样本;
19、模型训练模块,用于通过对所述结构图像执行正向扩散以逐步添加噪声,并以所述吸声性能曲线作为条件,训练所述条件去噪扩散概率模型中的u-net模块学习反向去噪以重建原始结构图像;
20、条件嵌入模块,用于将目标吸声性能曲线输入至训练完成的条件去噪扩散概率模型,通过所述条件去噪扩散概率模型的条件嵌入模块将所述目标吸声性能曲线作为条件特征转换至特征潜空间并嵌入至u-net模块中;
21、结构生成模块,用于将随机高斯噪声输入训练完成的条件去噪扩散概率模型,以所述条件特征为引导,利用所述噪声预测网络执行反向扩散过程,生成与所述目标吸声性能曲线对应的多孔吸声超材料结构图像。
22、在其中一个实施例中,所述基于条件扩散模型的多孔吸声超材料设计系统,所述预设频段为300赫兹至3000赫兹,所述吸声性能曲线由该频段内以50赫兹为间隔的多个离散频点的吸声系数构成。
23、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
24、构建条件去噪扩散概率模型;所述条件去噪扩散概率模型以多孔吸声超材料的结构图像及其在预设频段内的吸声性能曲线作为训练样本;
25、通过对所述结构图像执行正向扩散以逐步添加噪声,并以所述吸声性能曲线作为条件,训练所述条件去噪扩散概率模型中的u-net模块学习反向去噪以重建原始结构图像;
26、将目标吸声性能曲线输入至训练完成的条件去噪扩散概率模型,通过所述条件去噪扩散概率模型的条件嵌入模块将所述目标吸声性能曲线作为条件特征转换至特征潜空间并嵌入至u-net模块中;
27、将随机高斯噪声输入训练完成的条件去噪扩散概率模型,以所述条件特征为引导,利用所述噪声预测网络执行反向扩散过程,生成与所述目标吸声性能曲线对应的多孔吸声超材料结构图像。
28、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
29、构建条件去噪扩散概率模型;所述条件去噪扩散概率模型以多孔吸声超材料的结构图像及其在预设频段内的吸声性能曲线作为训练样本;
30、通过对所述结构图像执行正向扩散以逐步添加噪声,并以所述吸声性能曲线作为条件,训练所述条件去噪扩散概率模型中的u-net模块学习反向去噪以重建原始结构图像;
31、将目标吸声性能曲线输入至训练完成的条件去噪扩散概率模型,通过所述条件去噪扩散概率模型的条件嵌入模块将所述目标吸声性能曲线作为条件特征转换至特征潜空间并嵌入至u-net模块中;
32、将随机高斯噪声输入训练完成的条件去噪扩散概率模型,以所述条件特征为引导,利用所述噪声预测网络执行反向扩散过程,生成与所述目标吸声性能曲线对应的多孔吸声超材料结构图像。
33、上述基于条件扩散模型的多孔吸声超材料设计方法和系统,首先,采用条件去噪扩散概率模型作为生成框架,通过逐步加噪与去噪的过程学习多孔吸声超材料的结构分布,使模型训练过程更加稳定,不易出现模式坍塌或训练震荡问题,提升了模型的收敛性与可靠性。其次,将吸声系数曲线通过神经网络编码器映射为条件特征,并在unet的上采样路径中多层级嵌入,使得生成的结构图像能够紧密结合声学性能约束,避免了传统方法中结构与性能脱节的问题,增强了设计的针对性与准确性。整个设计过程无需依赖多次有限元迭代优化,仅通过一次前向扩散与条件引导即可生成候选结构,大幅缩短了设计周期,降低了计算资源消耗。综上,本发明在训练稳定性、生成质量、设计多样性、计算效率等多个方面均具有显著优势,为多孔吸声超材料的快速、精准、可扩展逆向设计提供了有效工具。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com