基于深度学习的五模超表面水下局部声场强度调控方法与流程

1.本发明涉及声学超表面技术领域，尤其涉及一种利用深度神经网络模型结合强化学习思想对五模声学超表面结构单元的材料密度进行优化求解，以满足水下局部反射声场强度符合指定调控目标的声场强度调控方法。


背景技术：

2.声场调控是声学研究的一个热点，对医学、通信、军事以及工业检测等各个领域都有重要意义。例如，医学超声成像及工业无损探伤都需要将超声波调制成各种特殊波束，并通过其与组织器官或结构缺陷的相互作用，实现对人体或物体内部结构的探测。而水下环境中，声波作为长距离传输的唯一能量形式，在水下通信和水下探测等应用中被广泛使用，因此，水下声波调控技术的实现至关重要。传统的声波调控技术是通过增大材料的吸声系数来提高声能转变成其它形式能量的占比，进而实现对声波的调控。但天然吸声材料的耐火、耐潮性差；无机吸声材料使用时容易形成粉尘，污染环境，同时刺激皮肤，对人体有一定危害；金属吸声材料成本昂贵；而复合吸声材料的制备困难、性能也不稳定。因此，研制新的声波调控材料成为改进声波调控技术的突破口。
3.近年来，一种新型的超薄声人工结构——声学超表面因其可对声波进行多角度的操控，改变其相位、幅值、传播模式等特征，受到了广泛的研究。声学超表面是由亚波长尺寸的结构单元在一个平面上排列而形成的准二维结构面。超表面中每个结构单元对入射声波的声学响应(包括幅值、相位)可以被独立控制，通过调节超表面结构单元的声学响应，可形成幅值、相位的重新分布，进而实现对声波的调控。此外，人工构建的声学超表面可提供天然材料不具备的特殊声学性质，为突破局限、实现各种新奇的声场调控提供了可能性。
4.考虑到常规的声学超表面大多存在频率依赖性，在拓宽水下声波工作频带的同时，也需要兼顾操作的灵活性，最终具有宽频特性、固体结构特征和流体属性的五模材料进入相关研究者的视野。这种材料的基体介质选择具有多样性，材料的有效参数取决于其基材参数和微结构几何，可以同时或单独调整来改变其有效参数。因此可以通过对五模材料的微结构进行设计，改变微结构的尺寸或形状来改变其等效参数。
5.目前声学超表面的设计仍需要研究人员根据实际的应用场景和功能需求，凭借其自身的设计经验和对物理特性的理解，不断搜寻、设计、迭代优化出一个相对最优设计方案，整个设计过程费时费力；此外，目前利用反射型声学超表面仅能实现对于反射波方向的调控，在反射波的声场强度调控上仍存在不足。当前的技术手段为人为改变超表面结构参数，观察参数改变对声波调控的影响，进而设计参数，这对于反射波方向的调控有较好的效果，但对于反射波的声场强度只能做到均衡调控，并不能做到局部精准调控。


技术实现要素：

6.本发明提出一种基于深度学习的五模超表面水下局部声场强度调控方法，解决了现有技术中对于反射波的声场强度不能做到局部精准调控的问题。
7.本发明的技术方案如下：
8.一种基于深度学习的五模超表面水下局部声场强度调控方法，包括以下步骤：
9.步骤s1，在背衬板上敷设超表面，并构建超表面的有限元仿真模型作为正演仿真的基础；
10.步骤s2，根据超表面的物性结构参数，通过正演仿真得到对应的远场声压级强度分布，将一组超表面的物性结构参数和对应的远场声压级强度数据作为一条样本数据，通过多次正演仿真得到大量样本数据；
11.步骤s3，将步骤s2中通过正演仿真得到的远场声压级强度数据作为深度神经网络模型的输入进行反演求解，得到超表面结构单元的材料密度所对应的相关量的初值，再推算出超表面结构单元的材料密度的初值；将局部调控的目标值也作为反演模型的输入，同时对材料密度及其相关量进行约束；
12.步骤s4，将所述材料密度相关量的初值作为深度强化学习模型的输入，将局部声场强度的调控目标作为深度强化学习模型的目标，利用强化学习的奖励和惩罚机制驱动智能体优化材料密度相关量的取值。
13.本发明基于五模超表面材料的特性，首先通过正演仿真得到对应的远场声压级强度分布，再利用深度神经网络模型进行反演求解，得到超表面材料密度相关量的初值，之后借助强化学习中智能体与环境交互迭代的自学习优势对反演模型求得的初值进行优化调整，从而使对应的五模超表面在水下的局部反射声场强度达到精准调控的要求。
14.作为本发明优选的方案，步骤s1中，所述超表面被沿长度方向划分为多块具有相同尺寸、且材料密度呈线性梯度变化的超表面结构单元。
15.作为本发明优选的方案，步骤s2中，所述物性结构参数包括超表面的密度、宽度和法相厚度；通过正演仿真建立从超表面的物性结构参数到远场声压级强度分布的一对一映射关系。
16.作为本发明优选的方案，步骤s3中，所述材料密度对应的相关量包括反射角和积分常数；将远场声压级强度数据和局部声场强度的调控目标作为反演模型的输入，将超表面结构单元的材料密度相关量作为反演模型的输出，利用深度神经网络模型，构建从远场声压级强度到超表面结构单元的材料密度相关量之间的映射关系。
17.作为本发明优选的方案，步骤s4中，通过深度强化学习模型优化反演结果的方法为：初始化两个相同的网络q和在每个时间步中，先将固定，再依据q函数和贪心算法执行动作ai(i＝1，2，
…
，n)，并进入新的状态s
t 1
，经过n个时间步后，将q的网络参数复制给经过多次迭代后，最终得到一个拟合效果最好的q网络。
18.作为本发明优选的方案，步骤s4中，智能体在强化学习的奖惩机制下，选择动作a来对状态s进行不断迭代更新，状态s即为超表面结构单元的材料密度相关量；利用值函数探索奖励的预估网络，在值函数网络中，将超表面结构单元的材料密度相关量作为输入，假设步骤s3中局部远场声压级强度与调控前的局部远场声压级强度的差值e与调控目标值存在一定偏差，则通过智能体选择动作a来更新状态s。
19.作为本发明优选的方案，设定奖励函数为：
[0020][0021]
其中，q
pre
为深度强化学习模型的预测值，q(s，a)为当前时刻的值函数，当预测值靠近目标值时给予奖励，当预测值远离目标值时给予惩罚；
[0022]
通过最小化如下的损失函数来逼近最优值函数：
[0023][0024]
通过不断地迭代更新，当前时刻的值函数会不断地接近声场强度的调控目标；同时在智能体的行动中引入探索，并依据奖励设定规则将奖励加入值函数中调整预测值，以便于在最大程度上接近调控的局部声场强度。采用当前方案后，随着智能体与环境的不断迭代，值函数网络预测值会逐步逼近目标值，其智能体对于环境探索的不确定性也会越来越小。
[0025]
有益效果
[0026]
与现有技术相比较，本发明的有益效果在于：本发明基于五模超表面材料的特性，首先通过正演仿真得到对应的远场声压级强度分布，再根据局部声场的调控目标，利用深度神经网络模型进行反演求解，得到超表面材料密度相关量的初值，之后借助强化学习中智能体与环境交互迭代的自学习优势对反演模型求得的初值进行优化调整，从而使对应的五模超表面在水下的局部反射声场强度达到精准调控的要求。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1为本发明一种基于深度学习的五模超表面水下局部声场强度调控方法的流程示意图；
[0029]
图2为本发明实施例中超表面划分为25个结构单元的结构示意图；
[0030]
图3为本发明实施例中反演求解的深度神经网络模型的网络拓扑结构图；
[0031]
图4为本发明实施例中深度强化学习模型的结构示意图；
[0032]
图5为本发明实施例中只有刚性背衬板时的全部远场声压级图像经过尺度变换后的示意图；
[0033]
图6为图5中90
°±5°
范围内局部声场强度放大示意图；
[0034]
图7为本发明实施例中经过正演仿真后的全部远场声压级图像经过尺度变换后的示意图；
[0035]
图8为图7中90
°±5°
范围内局部声场强度放大示意图；
[0036]
图9为本发明实施例中反演过程中的超表面结构单元材料密度相关量θr的损失函数结果示意图；
[0037]
图10为本发明实施例中反演过程中的超表面结构单元材料密度相关量c0的损失
函数结果示意图；
[0038]
图11为本发明实施例中经过强化学习调整优化后的全部远场声压级图像经过尺度变换后的示意图；
[0039]
图12为图11中90
°±5°
范围内局部声场强度放大示意图。
具体实施方式
[0040]
下面将结合本发明实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
参照图1所示，本实施例提供了一种基于深度学习的五模超表面水下局部声场强度调控方法，包括以下步骤：
[0042]
步骤s1，在背衬板上敷设超表面，并构建超表面的有限元仿真模型作为正演仿真的基础；
[0043]
步骤s2，根据超表面的物性结构参数，通过正演仿真得到对应的远场声压级强度分布，将一组超表面的物性结构参数和对应的远场声压级强度数据作为一条样本数据，通过多次正演仿真得到大量样本数据；
[0044]
步骤s3，将步骤s2中通过正演仿真得到的远场声压级强度数据作为深度神经网络模型的输入进行反演求解，得到超表面结构单元的材料密度所对应的相关量的初值，再推算出超表面结构单元的材料密度的初值；将局部调控的目标值也作为反演模型的输入，同时对材料密度及其相关量进行约束；
[0045]
步骤s4，将所述材料密度相关量的初值作为深度强化学习模型(dqn)的输入，将局部声场强度的调控目标作为深度强化学习模型的目标，利用强化学习的奖励和惩罚机制驱动智能体优化材料密度相关量的取值。
[0046]
本实施例基于五模超表面材料的特性，首先通过正演仿真得到对应的远场声压级强度分布，再利用深度神经网络模型进行反演求解，得到超表面材料密度相关量的初值，之后借助强化学习中智能体与环境交互迭代的自学习优势对反演模型求得的初值进行优化调整，从而使对应的五模超表面在水下的局部反射声场强度达到精准调控的要求。
[0047]
作为本实施例优选的方案，步骤s1中，利用comsol multiphysics多物理场仿真软件进行有限元仿真，理想的超表面材料密度是连续的，但人工周期结构无法实现材料密度的连续变化，因此需要将超表面沿长度方向划分为多个具有密度梯度的超表面结构单元；在大尺度环境下，单个超表面结构单元的有限元模型可被看成一个质点，故对其进行设计时，取其中心点位置的材料密度作为整个结构单元的材料密度进行后续计算。如图2所示，该超表面法向厚度为0.12m，长度为1m，沿长度方向被划分为25块具有相同尺寸、且材料密度呈线性密度梯度变化的超表面结构单元。通过正演仿真，可以得到样本数据集。
[0048]
作为本实施例优选的方案，步骤s2中，正演仿真模型输入的超表面物性结构参数包括超表面的密度ρ、宽度l和法相厚度h；输出为远场声压级强度分布r，超表面由亚波长结构单元排列组成，在超表面宽度l、法向厚度h等其他参数固定的情况下，通过改变超表面结构单元的材料密度ρi(i＝1，2，
…
，25)可以实现对反射声场的调控；通过正演仿真建立从超
表面的物性结构参数到远场声压级强度分布r的一对一映射关系。
[0049]
作为本实施例优选的方案，步骤s3中，所述材料密度对应的相关量包括反射角θr和积分常数c0；结合超表面材料的物理特性分析，对材料密度ρ、反射角θr、积分常数c0等参数的取值范围进行合理约束，例如，反射角θr的取值应在[-90
°
，90
°
]内，材料密度ρ应取正实数。在多个物理条件约束下，规避无意义解的出现。将远场声压级强度数据和局部声场强度的调控目标(例如-5db)作为反演模型的输入，将超表面结构单元的材料密度相关量作为反演模型的输出，利用深度神经网络模型，构建从远场声压级强度到超表面结构单元的材料密度相关量之间的映射关系。
[0050]
作为本实施例优选的方案，步骤s3中，进行反演求解的深度神经网络模型的网络拓扑结构如图3所示，深度神经网络模型包括输入层xi、隐藏层hi和输出层yi，输入与输出的计算公式为：
[0051][0052]
其中，ω表示输入层与输出层之间的神经网络参数，x表示神经网络的输入，少表示神经网络的输出；神经网络模型的隐藏层和输出层激活函数使用了如下relu函数：
[0053][0054]
在对参数ω进行更新时，选择了adam优化算法，其表达式如下：
[0055][0056][0057]
其中，α为学习率，t为时间步，β1、β2分别为一阶矩和二阶矩的指数衰减率，m
t
、v
t
分别为对梯度的一阶矩估计和二阶矩估计，ε为防止分母为0的常数，对ω进行更新。
[0058]
反演模型中选择了如下均方误差函数来评估整个模型的性能：
[0059][0060]
其中，n为样本数，yi为实际输出值，为反演模型中输出的预测值。
[0061]
如图4所示，作为本实施例优选的方案，步骤s4中，通过dqn模型优化反演结果的方法为：初始化两个相同的网络q和在每个时间步中，先将固定，再依据q函数和ε-贪心算法执行动作ai(i＝1，2，
…
，n)，并进入新的状态s
t 1
，经过n个时间步后，将q的网络参数复制给经过多次迭代后，最终得到一个拟合效果最好的q网络。
[0062]
作为本实施例优选的方案，步骤s4中，在给定的环境中，智能体在强化学习的奖惩机制下，选择动作a来对状态s进行不断迭代更新，状态s即为超表面结构单元的材料密度相关量；利用值函数探索奖励的预估网络，在值函数网络中，将超表面结构单元的材料密度相关量作为输入，假设步骤s3中局部远场声压级强度与调控前的局部远场声压级强度的差值e与调控目标值存在一定偏差，则通过智能体选择动作ai(i＝1，2，
…
，n)来更新状态s。
[0063]
本实施例中，对于环境的搭建，将状态空间设定为：
[0064]
s＝{(θr，c0)|0
°
≤θr≤180
°
，0≤c0≤5}
[0065]
动作空间的设定如下表1所示：
[0066]
表1动作空间设定规则表
[0067][0068]
其中，d为步长，表示不进行任何动作；
[0069]
设定奖励函数为：
[0070][0071]
其中，q
pre
为深度强化学习模型的预测值，q(s，a)为当前时刻的值函数，当预测值靠近目标值时给予奖励，当预测值远离目标值时给予惩罚；
[0072]
通过最小化如下的损失函数来逼近最优值函数：
[0073][0074]
通过不断地迭代更新，当前时刻的值函数会不断地接近声场强度的调控目标；同时在智能体的行动中引入探索，并依据奖励设定规则将奖励加入值函数中调整预测值，以便于在最大程度上接近调控的局部声场强度。采用当前方案后，随着智能体与环境的不断迭代，值函数网络预测值会逐步逼近目标值，其智能体对于环境探索的不确定性也会越来越小。
[0075]
五模声学超表面的理论基础是广义斯奈尔定律，根据广义斯奈尔反射定律，超表面对声波的反射角度满足以下公式：
[0076][0077]
其中，θr、θi分别为声波的反射角和入射角，k0为声波在入射介质中的波数，φ(x)为声波在界面处的相位突变；假定声波垂直入射在附有刚性背衬板且法向厚度为h的超表
面上，该超表面的上下表面将分别发生全透射和全反射，声波在超表面内部总的传播路径为2h，相位积累为：
[0078]
φ(x)＝2hk
[0079]
其中，k为超表面内部的声波波数，且k＝2π/λ，λ为超表面内部的声波波长；根据五模超表面中的声波波长和声速的关系，即λ＝c/f0，其中，f0＝c0/λ0，f0为入射波频率，λ0和c0分别为声波在入射介质中的波长和声速，可得其反射角为：
[0080][0081]
当垂直入射时，声波全部透射至超表面内部，超表面与入射介质需满足特性阻抗匹配，即
[0082]
z＝z0[0083]
其中，z和z0分别为超表面和介质的特性阻抗；此时有z＝ρc，z0＝ρ0c0，ρ和ρ0分别为超表面和入射介质的密度，即
[0084][0085][0086]
l为超表面沿x方向的长度，c0为积分常数。通过对相关理论的分析可知c0的取值不影响波控能力，但会影响五模材料的物理实现。
[0087]
对于各向同性材料，超表面体积模量k和入射介质体积模量k0直接满足如下关系式：
[0088][0089]
由上式可知，在入射介质不变时，五模超表面的体积模量k和声速c的取值均与其材料密度ρ呈线性关系，通过改变影响ρ取值的其他相关物理量，即可对其体积模k和声速c进行调整。当超表面的法向厚度h不变时，其材料密度ρ与反射角θr和积分常数c0相关，故可通过改变材料密度对应的相关量θr和c0的取值来影响材料密度ρ，进而调整超表面的体积模量k和声速c，最终实现对局部反射声场强度的调控。
[0090]
本实施例以反射角90
°±5°
范围内、调控声场强度下降5db为例来实现局部声场强度的精准调控，当只有刚性背衬板时，90
°±5°
范围内远场声压级强度值如下表2所示：
[0091]
表2仿真前90
°±5°
范围内远场声压级强度表
[0092]
角度/
°
远场声压级强度/db8599.08630455538048699.224506220659328799.329327044778358899.401164459738688999.4402896706901
9099.446853523973669199.420889675674649299.362315214559879399.270928769962079499.146406014318649598.98829234206201
[0093]
其全部远场声压级图像经过尺度变换后如图5所示，其中90
°±5°
范围内局部声场强度放大如图6所示；当经过反演预测获得超表面结构单元的材料密度相关量θr和c0的初值后，通过以下公式计算图2中25块材料的密度值；
[0094][0095]
将25块材料的密度值作为正演仿真的输入，获得90
°±5°
局部范围内远场声压级强度值，如下表3所示：
[0096]
表3仿真后90
°±5°
范围内远场声压级强度表
[0097]
角度/
°
远场声压级强度/db8592.994443701471378692.992692782478578792.93438615621348892.817853721472438992.641152744506199092.402005625699479192.097741581991619291.72524451875729391.28091540908799490.760668707401629590.16000405060034
[0098]
其全部远场声压级图像经过尺度变换后如图7所示，其中90
°±5°
范围局部声场强度放大如图8所示，将表2和表3中局部声场强度数据对比可得，在90
°±5°
局部范围内，远场声压级强度均下降大于等于5db；在反演过程中的超表面结构单元材料密度相关量θr的损失函数结果如图9所示，另一个超表面结构单元材料密度相关量c0的损失函数结果如图10所示；从图中可以看到，反演预测得出的超表面结构单元材料密度相关量θr和c0的初值，其对应的90
°±5°
局部范围内声场强度较全反射下降了8db左右，并不能做到精准调控，此时需要借助步骤s4中的强化学习智能体与环境更新迭代对超表面结构单元材料密度相关量θr和c0做进一步的调整优化。在经过深度强化学习的调整优化后，90
°±5°
范围内远场声压级强度r如下表4所示：
[0099]
表4经过深度强化学习调整优化后90
°±5°
范围内远场声压级强度表
[0100][0101][0102]
其全部远场声压级图像经过尺度变换后如图11所示，其中90
°±5°
范围局部声场强度放大如图12所示，由图可以看出经过第三步优化调整后的超表面结构单元材料密度相关量θr和c0，对于局部声场调控已经下降了5db，误差已经基本在0.5db以内，可以看到此时对于局部声场强度调控已经达到了很好的效果，为实现局部声场强度的精准调控提供了一种新的实现途径。
[0103]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。