一种基于机器学习的多层吸波材料反向寻优设计方法

本发明属于电磁功能材料设计与计算机辅助工程领域，具体涉及一种基于机器学习的多层吸波材料反向寻优设计方法。

背景技术：

1、随着现代军事探测手段的日益精进以及民用5g/6g通讯、电子设备的广泛普及，电磁污染与军事隐身问题日益突出。吸波材料作为能够有效吸收电磁波、减少电磁辐射与反射的关键功能材料，在雷达隐身涂层、电磁兼容机箱及微波暗室等领域具有极其广泛的应用需求。面对复杂的电磁环境和严苛的工程指标，单纯的实验“试错”不仅研发周期长、成本高昂，且难以理清材料微观参数与宏观吸波性能之间的复杂映射关系。

2、在此背景下，计算机辅助设计技术的发展为吸波材料的设计提供了全新的技术思路，基于计算机仿真开展吸波材料设计正成为吸波材料与结构设计的主流方向。为了支撑计算机仿真设计，现有的技术方案通常需要基于电磁波与多层材料相互作用模型（如传输线理论或s参数反演理论），建立材料电磁波吸收性能的快速评价方法。

3、与此同时，以遗传算法（geneticalgorithm,ga）为代表的多种计算机优化技术的出现，为实现多参数协同调节、快速寻找多参数最优组合提供了技术支持。遗传算法作为一类借鉴生物界进化规律演化而来的随机化搜索方法，直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力。在多层吸波涂层设计中，现有的方案往往是将遗传算法与物理仿真相结合，通过算法的迭代快速确定最佳材料种类、涂层结构以及各层厚度的组合，这在一定程度上极大地提高了多层吸波涂层的设计效率，避免了传统人工经验设计的盲目性。

4、然而，上述现有的计算机仿真辅助设计及遗传优化方法仍存在难以克服的技术缺陷与局限性，具体体现在：

5、其一，传统商业电磁仿真软件（如cst、hfss）计算耗时极长，无法满足海量工艺参数组合的筛选需求。实际工程中，吸波材料的性能不仅仅取决于固定的材料电磁参数和厚度结构，更深度依赖于具体的“制备工艺条件”（例如球磨转速、填充含量、混料时间等）以及材料加工过程中产生的微观形貌差异。现有的仿真大多仅能模拟已知固定电磁参数下的电磁响应，若要在设计阶段就纳入“转速”、“含量”等工艺参数，则必须建立庞大且极其复杂的多物理场耦合模型，这导致单次仿真时间可达分钟甚至小时级，使得在大规模工艺参数空间中通过广域试算寻找最优解变得几乎不可行，严重制约了工程研发效率。

6、其二，现有技术缺乏面向多维变量复杂耦合关系的“反向精准寻优”能力。目前基于遗传算法的设计，其核心逻辑仍属于“正向评估驱动的优化”。即先随机或设定一组结构参数，再调用仿真软件计算其电磁性能以判断该方案的优劣。当设计目标变为主动的“指定目标频段”、“指定反射损耗阈值”且要求多目标协同（如“厚度最薄”、“质量最轻”、“密度最低”）时，现有算法难以直接跨越物理场仿真与复杂材料数据库的隔阂，无法直接反向计算出满足上述多目标约束的“不同材料选择、不同厚度组合、不同填充含量以及不同制备工艺参数”的最优生产配方。设计人员仍需要凭借经验在优化结果中进行二次筛选，缺乏真正的靶向生成能力。

7、特别是针对多层吸波材料体系，材料层数的增加导致变量呈指数级增长，层间电磁相互作用更为复杂，传统物理仿真与简单遗传算法的结合不仅计算时间无法忍受，且在复杂的高维参数空间中极易陷入局部最优。因此，亟需一种能够兼容物理计算精度与机器学习预测速度，在“制备工艺条件-材料电磁参数-宏观吸波性能”多维复杂变量耦合关系下，能有效预测性能及反向寻优的技术方案。

技术实现思路

1、本发明的目的在于解决多层吸波材料设计中因设计参数空间随层数呈指数级膨胀且单次电磁仿真耗时过长而引起的多目标约束下高维工艺参数无法快速反向寻优的技术问题。

2、为了实现上述目的本发明采用以下技术手段：

3、本发明提供了一种基于机器学习的多层吸波材料反向寻优设计方法，包括以下步骤：

4、步骤s1：建立多层吸波材料的传输线理论物理模型，对预设的材料参数组合与厚度参数组合进行遍历计算，生成各参数组合下全频段的反射损耗数据；其中，所述材料参数包括材料种类及材料含量，所述厚度参数为各层材料的物理厚度；

5、步骤s2：将所述材料种类编码为分类特征向量，将所述材料含量和所述物理厚度作为连续数值特征，按材料层数进行拼接，构建每一组参数组合对应的多维特征向量；以所述多维特征向量为输入、以对应的全频段反射损耗数据为输出，构建训练数据集；

6、步骤s3：构建神经网络代理模型，以所述训练数据集对所述神经网络代理模型进行训练，使所述神经网络代理模型能够根据输入的多维特征向量预测对应的全频段反射损耗曲线；

7、步骤s4：将待优化的工艺参数编码为遗传算法的基因序列，所述工艺参数包括各层的材料种类索引、材料含量及厚度；

8、在遗传算法的每一代迭代中，将各个体的基因序列解码为多维特征向量并输入训练好的所述神经网络代理模型，获取预测的全频段反射损耗曲线，据此计算适应度值；

9、在遗传算法的交叉操作和/或变异操作之后，对超出预设物理可行域的基因位进行约束修复，使进化个体始终处于物理可行域内；

10、经过多代进化迭代后，输出满足预设多目标约束条件的最优工艺参数组合。

11、上述方案中，所述步骤s1中，所述传输线理论物理模型的计算过程包括：

12、步骤s1.1：对于包含层结构的多层吸波材料，其中第1层紧贴金属衬底，第层为最外层，各层材料具有独立的复数介电常数、复数磁导率及物理厚度；根据下式计算各层材料的特性阻抗和传播常数：

13、

14、其中，为入射电磁波频率，为虚数单位，为光速，为层序号，；

15、步骤s1.2：基于金属背板短路边界条件，计算第1层的输入阻抗：

16、

17、步骤s1.3：对于第层，，基于阻抗传递公式逐层迭代计算输入阻抗：

18、

19、步骤s1.4：根据最外层输入阻抗与自由空间波阻抗，计算反射系数及反射损耗：

20、

21、其中，为自由空间归一化波阻抗。

22、上述方案中，所述步骤s1中，对所述材料参数组合与厚度参数组合的遍历计算采用向量化并行计算方式，具体包括：

23、将全部材料的复数介电常数和复数磁导率预先载入并行计算单元的显存中；利用网格坐标生成函数一次性生成所有材料组合与厚度组合的坐标网格张量；基于所述传输线理论物理模型的公式，对所述坐标网格张量中所有参数组合同步执行向量化的阻抗递推与反射损耗计算，避免逐条循环遍历。

24、上述方案中，所述步骤s2中，所述构建多维特征向量的过程包括：

25、步骤s2.1：对于材料种类的分类特征，采用独热编码方式，将备选材料库中的种材料分别映射为长度为的向量，其中当前材料对应位置置为1，其余位置置为0；

26、步骤s2.2：对于材料含量和物理厚度的连续数值特征，将材料含量百分比归一化至区间，物理厚度以毫米为单位直接读取；

27、步骤s2.3：对于层结构的多层吸波材料，将各层的独热编码向量、材料含量值及物理厚度值按层顺序拼接，形成总维度为的多维特征向量；

28、步骤s2.4：对所述多维特征向量中的连续数值特征执行z-score标准化处理：

29、

30、其中，为原始连续数值特征值，为全部样本在该特征维度上的均值，为全部样本在该特征维度上的标准差，为标准化后的特征值。

31、上述方案中，所述步骤s2中，所述训练数据集采用hdf5层级数据格式进行存储，具体包括：

32、在hdf5文件中以分块存储方式创建可扩展的数据集，用于存储所述多维特征向量及对应的全频段反射损耗数据；将所述z-score标准化处理中的均值、标准差、材料列表及特征维度信息作为所述hdf5文件的属性进行一体化存储，以确保模型训练阶段与部署阶段的数据处理一致性。

33、上述方案中，所述步骤s3中，所述神经网络代理模型为深度残差全连接网络，其结构包括：

34、输入层，维度与所述多维特征向量的长度一致，将材料制备的属性编码为高维稠密特征向量；

35、隐藏层，采用宽度先增后减的多层全连接结构，在宽度最大层处插入残差块；所述残差块包含依次连接的第一线性层、第一批归一化层、gelu激活函数层、dropout层、第二线性层及第二批归一化层，且所述残差块的输入端与所述第二批归一化层的输出端通过跳跃连接相加；

36、输出层，维度与目标频段的频率采样点数一致，用于一次性输出全频段个频率点的反射损耗预测值，为满足宽频带高精度评估需求，将1-18 ghz频段均匀离散化为201个频率采样点，并构建多任务回归头，直接映射出每个频点对应的反射损耗预测值。

37、上述方案中，所述步骤s3中，所述训练的过程采用以下策略：

38、损失函数采用huber损失函数；

39、优化器采用adamw优化器并配合权重衰减；

40、训练过程采用自动混合精度训练，将前向传播和反向传播中的部分计算以半精度浮点数执行；

41、学习率调度采用先热启动预设轮次、再配合余弦退火策略进行衰减；

42、设置早停机制，当验证集损失在预设轮次内不再下降时停止训练并保存最优模型权重。

43、上述方案中，所述步骤s4中，所述基因序列的编码及约束处理包括：

44、对于层结构的多层吸波材料，所述基因序列编码为["材料"1"索引","含量"1,"厚度"1,"材料"2"索引","含量"2,"厚度"2,…,"材料"x"索引","含量"x,"厚度"x]，共个基因位；

45、在遗传算法的交叉操作和/或变异操作之后，对各基因位执行约束修复操作：检测各基因位的数值是否落入预设的物理可行区间内，若某一基因位的数值超出其对应的物理可行区间，则将该基因位的数值重置为所述物理可行区间内的随机合法整数，使所有进化个体始终处于物理可行域内。

46、上述方案中，所述步骤s4中，所述适应度值的计算包括：

47、根据所述神经网络代理模型输出的全频段反射损耗曲线，检测在用户设定的目标频带范围内，反射损耗是否全部小于预设的反射损耗阈值；

48、对于满足所述目标频带范围内反射损耗全部小于所述反射损耗阈值的个体，其适应度值赋为该目标频带内最小反射损耗值的相反数，同时将该个体存入合格档案库；

49、对于不满足所述条件的个体，赋予预设的极大惩罚值与该个体全频段最小反射损耗值之和作为适应度值，使其在进化选择中被淘汰。

50、上述方案中，所述步骤s4中，所述输出满足预设多目标约束条件的最优工艺参数组合包括：

51、在所述遗传算法完成全部迭代后，对所述合格档案库中存储的全部合格个体分别按以下两个维度进行排序：

52、第一排序维度：按多层吸波材料的总厚度从小到大排序，输出总厚度最小的前个方案作为最薄厚度推荐方案；

53、第二排序维度：按目标频带内最小反射损耗值从大到小排序，输出反射损耗最优的前个方案作为最优反射损耗推荐方案；

54、每个推荐方案均包含各层对应的材料种类、材料含量及物理厚度的具体工艺参数值。

55、因为本发明采用上述技术手段，因此具备以下有益效果：

56、1.实现吸波材料性能预测与工艺反向寻优的“秒级”响应，极大提升研发效率

57、本发明构建了“物理驱动生成海量数据→数据驱动训练神经网络→神经网络驱动加速遗传反向寻优”的闭环系统。通过深度残差全连接网络（deepresmlp）代理模型，正向预测速度达毫秒级，相比传统商业电磁仿真软件（如cst）单次仿真需数分钟甚至数小时，速度提升达数个数量级。在反向寻优环节，利用训练好的神经网络替代物理引擎作为遗传算法的适应度评价函数，使遗传算法在数十秒至百秒内即可完成对数千个个体、数百代进化的全局搜索，直接输出满足多目标约束（指定带宽、最小厚度、最优反射损耗等）的工艺配方。而传统方法依赖人工试错或参数扫描，面对多层结构指数级膨胀的组合空间（如三层结构近七千万种组合），逐一仿真在时间上完全不现实。本发明将原本不可行的搜索问题转化为工程可实现的高效求解，显著加速了新型吸波材料的研发流程。

58、2.正向预测精度高，与物理真实值高度一致

59、本发明采用huberloss作为损失函数，结合adamw优化器、权重衰减、混合精度训练（amp）、warmup与余弦退火学习率调度以及早停机制，充分保证了神经网络训练的精度与泛化能力。实施例一的实验数据表明，在双层结构下，模型在测试集上的r2高达0.98以上，rmse低于0.4db；实施例2的三层结构下，r2高达0.99以上，rmse低于0.04db。上述实验条件与方法已在具体实施方式中步骤3中详细说明（基于pytorch框架、自动混合精度训练、huberlossδ=0.1、adamw优化器、权重衰减、300个epoch训练周期等）。该精度表明，神经网络代理模型已能够以极高的保真度替代物理计算引擎，为后续遗传寻优提供了可靠的评价基础，保证了推荐工艺参数的有效性。

60、3.克服传统多层吸波材料优化中“维数灾难”难题，具备极强的多层数扩展能力

61、本发明在架构设计上具有通用性与解耦性。物理计算引擎基于传输线理论的递推公式，天然支持任意层数n的递归计算；特征工程采用线性累加方式（向量维度=n×(m+2)），遗传算法基因编码同步线性扩展，均不受层数限制。实施例1（双层）与实施例2（三层）的实验数据充分验证了本发明的可扩展性。以三层结构为例，41种材料不同厚度组合数量从双层的900种（单层厚度0.1mm∼3.0mm，步长0.1mm）增至1000种（单层厚度0.1mm∼1.0mm，步长0.1mm），材料组合从1681种增至68921种，总组合数接近七千万。面对如此庞大的搜索空间，本发明基于gpu的张量并行物理引擎仅需约5分钟即可完成全部数据的精确计算，而传统cst仿真若按每次1秒估算，需耗时约2.2年。这充分证明了本发明的物理引擎在应对多层高维组合时相较于传统仿真方法的跨量级算力优势。

62、4.直接输出符合物理制备约束的工程化工艺参数，而非仅提供理论最优值

63、本发明在遗传算法的基因编码中创新性地引入了多维强约束修复算子。针对实际科研生产中材料制备的物理限制（如特定材料含量仅在一定百分比区间内方可制备、厚度存在工艺极限等），约束修复算子可在交叉、变异操作后自动将非法基因重置为合法随机整数，确保所有搜索域始终处于物理可行域内。实施例1和实施例2中输出的表格数据（表1至表4）均直接给出了底层/中层/顶层材料序号、含量百分比、厚度等可直接上机台制备的具体工艺参数，解决了传统优化算法常输出理论不可行解或需大量后处理修正的痛点。

64、5.实现多目标约束下的个性化方案推荐，满足多样化工程需求

65、本发明在多目标适应度函数中同时考虑“目标频带全频段达标”和“反射损耗极小化”双重指标，并将满足条件的个体存入“合格档案库”。在遗传算法迭代结束后，从该档案库中分别按“最薄厚度”和“最优反射损耗”两个维度进行排序，向用户推荐top10方案。实施例1与实施例2的表1至表4数据表明，该系统可在同一批寻优结果中，同时给出厚度仅为1.8mm但rl为-13.27db的轻薄方案（表1排名1），以及总厚度为2.9mm但rl深达-30.83db的高性能方案（表2排名1），供用户根据实际装备对重量、厚度或隐身性能的优先级灵活选择。这种多目标、多备选的输出模式更贴合工程实际中的权衡决策需求，相较于传统仅给出单一最优解的方法具有更高的实用价值。