CN115762685B - 一种降低异种材料界面声学传递损失的透声层及优化方法 - Google Patents

Abstract

本发明公开了一种降低异种材料界面声学传递损失的透声层及优化方法，属于优化算法领域。本发明应用数码材料的概念，将整个优化空间离散成一个个小的材料单元，从而对整个设计空间进行参数化，便于对整个设计空间进行优化。本发明方法采用机器学习得到数码材料构型与平均传递损失关系的预测函数，以便于在遗传算法中用预测函数代替有限元分析，大大节约了计算时间。通过本发明方法可以设计出更加新颖的构型，尤其适用于在低频区间的透声层设计。

Description

一种降低异种材料界面声学传递损失的透声层及优化方法

技术领域

本发明属于应用声学领域，具体涉及一种降低异种材料界面声学传递损失的透声层及优化方法。

背景技术

声学传递损失(STL)，在介质无耗散的情况下，主要是由声学传导介质的阻抗不匹配造成的。声音在阻抗不匹配的异种材料界面处发生反射，导致透射声能小于入射声能，而由反射造成的能量损失即为声学传递损失。声学传递损失是声学传感器、换能器以及吸声材料设计等应用中的关键问题。例如，传感器与被测材料之间的传递损失会造成所测声压不准；同样，声学换能器得到的能量也会明显小于输入的声能；吸声材料(如水下消声瓦)入射界面处反射造成的升学传递损失会降低材料的吸声系数。降低声学传递损失的有效方法是在阻抗不匹配的两种介质间铺设一层声学覆盖层，即透声层。透声层通常由阻抗渐变的复合材料或结构构成，例如楔形结构、阻抗梯度变化的多层结构以及梯度颗粒夹杂的复合材料。这种阻抗渐变的复合材料使得阻抗在原阻抗不匹配的材料间均匀过渡，从而降低传递损失，因此又称为阻抗匹配层。

虽然这些透声层已被深入研究，但透声层的最优设计方案并不十分明朗。理论分析方面，现有的理论方法，包括传递矩阵法和非均匀传输线理论仅适用于一些简单的复合材料(例如，具有离散阻抗的多层板，具有指数型阻抗分布的介质)。在数值计算方面，传统数值优化计算方法通常受限于人的经验，优化只能对特定的复合材料模型进行几何参数优化，无法探索其它的可能的复合材料模型，因此无法得到真正意义上(全域)的最优解。另外，传统数值计算方法需要耗费大量的计算资源。

发明内容

现有技术中存在的问题是：1)传统降低声学传递损失的透声层的优化设计方法只能针对特定复合材料模型，如楔型结构、梯度夹杂结构，无法探索所有可能的材料复合方式，导致无法遍历整个优化空间，以致无法得到全局最优解；2)传统数值优化计算方法(例如有限元、拓扑优化)耗时多的问题。本发明的目的在于解决现有技术中的上述技术问题，并提供一种降低异种材料界面声学传递损失的透声层及优化方法。

本发明所采用的具体技术方案如下：

第一方面，本发明提供了一种降低异种材料界面声学传递损失的透声层优化方法，所述透声层设置于阻抗不匹配的第一介质层和第二介质层之间，该优化方法包括：

S1、以透声层中单个周期性单元为优化目标，将周期性单元的纵剖面离散化为二进制矩阵，以矩阵的不同二进制元素值区分代表第一介质材料和第二介质材料，其中第一介质材料与第一介质层的材料相同或具有相似的阻抗，第二介质材料与第二介质层的材料相同或具有相似的阻抗；通过随机化生成二进制矩阵，批量生成随机的透声层数码材料模型，模型中的每个数码对应于一个材料单元，各单元的具体材料由对应的二进制矩阵中的元素值决定；

S2、针对S1中生成的每个透声层数码材料模型，利用有限元模拟得到目标频带范围内的声学传递损失STL曲线以及声学传递损失平均值ATL；

S3、将每个透声层数码材料模型的二进制矩阵转换为二进制向量v，以二进制向量v为训练样本的输入，以S2中计算得到的对应的声学传递损失平均值ATL为训练样本的标签，构建训练数据集；利用训练数据集进行机器学习训练，得到用于根据二进制向量v预测声学传递损失平均值ATL的预测函数；

S4、以训练数据集中的训练样本作为初始种群，以所述预测函数为适应度函数，通过遗传算法进行优化，得到声学传递损失平均值ATL最小的最优二进制向量v；

S5、将所述最优二进制向量v转化成透声层数码材料模型得到最优构型，通过有限元模拟得到目标频带范围内的声学传递损失STL曲线以及声学传递损失平均值ATL，再根据有限元模拟结果判断该最优构型是否满足预期的优化要求，若满足则完成优化，若未满足则扩大训练数据集中的训练样本后重新进行机器学习训练生成新的预测函数，并再次进行遗传算法优化，直至最优构型满足优化要求；

S6、针对满足优化要求的最优构型，对两种介质材料之间的边界进行平滑，形成透声层的最终构型。

作为上述第一方面的优选，所述第二介质层为水，第二介质材料采用水凝胶。

作为上述第一方面的优选，所述S5中，扩大训练数据集中的训练样本的做法为：在原始随机生成的训练数据集中增加根据人为总结经验所确定的经验构型。

作为上述第一方面的优选，所述经验构型包括随机梯度夹杂结构、楔形梯度结构和随机楔形结构，每个经验构型均是一个透声层数码材料模型，也具有将周期性单元纵剖面离散化后形成的二进制矩阵；

所述随机梯度夹杂结构的透声层数码材料模型中，每个数码的材料类型随机生成，但沿着第二介质层所在侧到第一介质层所在侧的方向上，数码中出现第二介质材料的概率逐行递减，数码中出现第一介质材料的概率逐行梯度递增；

所述楔形梯度结构的透声层数码材料模型中，第一介质材料整体呈连片且外轮廓相对规则的楔形分布，且沿着第二介质层所在侧到第一介质层所在侧的方向上，楔形宽度逐行递增。

所述随机楔形结构的透声层数码材料模型中，第一介质材料整体呈不连片且外轮廓不规则的楔形分布，楔形内部随机出现第二介质材料，且沿着第二介质层所在侧到第一介质层所在侧的方向上，单行数码中出现第一介质材料的数码个数逐行递增。

作为上述第一方面的优选，所述随机梯度夹杂结构中，所述梯度递增的概率增长曲线为线性、多项式、对数或指数形式。

作为上述第一方面的优选，所述楔形梯度结构中，楔形分布的第一介质材料的两侧轮廓线为直线、多项式曲线、对数曲线或指数曲线。

作为上述第一方面的优选，进行所述机器学习训练时采用的机器学习模型为反向传播人工神经网络、支持向量机、卷积神经网络、线性回归。

作为上述第一方面的优选，所述机器学习模型采用BP神经网络。

作为上述第一方面的优选，所述初始种群为训练数据集中声学传递损失平均值低于阈值的部分训练样本。

作为上述第一方面的优选，所述的目标频带范围为0～10kHz。

第二方面，本发明提供了一种根据上述第一方面任一方案所述透声层优化方法优化得到的透声层，该透声层为位于阻抗不匹配的第一介质层和第二介质层之间的双层结构，其中与第二介质层接触的一侧为阻抗跳跃层，与第一介质层接触的一侧为夹杂层，其中阻抗跳跃层完全由第一介质材料组成；而夹杂层以第二介质材料为主材，主材内部具有第一介质材料分布区域，但夹杂层中的第一介质材料分布区域由第二介质材料完全围合包裹。

本发明相对于现有技术而言，具有以下有益效果：

1)传统的优化方法只能针对固定构型进行少量的几何参数优化，而本发明方法应用数码材料的概念，将整个优化空间离散成一个个小的材料单元，从而对整个设计空间进行参数化，便于对整个设计空间进行优化。

2)相较于传统的有限元计算方法结合遗传算法的优化方法去遍历所有可能的数码材料构型，本发明方法首先利用机器学习得到数码材料构型与平均传递损失关系的预测函数，以便于在遗传算法中用预测函数代替有限元分析，大大节约了计算时间。

3)通过本发明方法可以设计出更加新颖的构型，尤其是在低频区间，例如水与其它介质之间的透声层设计，在(0-10kHz)范围内得到了阻抗跳越的复杂构型，相较于传统阻抗匹配构型，该构型使得平均声传递损失降低31％。

附图说明

图1为透声层数码材料模型的生成方法示意图；

图2为声学传递损失的有限元分析方法以及平均声学传递损失计算方法示意图；

图3为人工神经网络示意图；

图4为遗传算法原理图；

图5为四种不同类型的数码材料构型生成效果，前一种为完全随机的二进制构型，后三种为基于人的经验，利用可以减小STL值的特征随机生成的经验构型；

图6为本发明实施例中的透声层优化设计方法流程图；

图7为本发明实施例中优化设计得到的透声层构型。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。

在本发明的描述中，需要理解的是，当一个元件被认为是“连接”另一个元件，可以是直接连接到另一个元件或者是间接连接即存在中间元件。相反，当元件为称作“直接”与另一元件连接时，不存在中间元件。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于区分描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

本发明中提供了一种降低异种材料界面声学传递损失的透声层优化方法，该透声层设置于阻抗不匹配的第一介质层A和第二介质层B之间。由于第一介质层A和第二介质层B之间阻抗存在差异，声音在阻抗不匹配的异种材料界面处发生反射，导致透射声能小于入射声能，而由反射造成的能量损失即为声学传递损失。而本发明设置透声层的目的是使得阻抗在原阻抗不匹配的材料间存在能够降低声学传递损失的过渡，降低传递损失。

需要说明的是，由于透声层一般是平面连续的，其中的结构呈现周期性的变化，因此本发明中无需优化整个透声层，而是仅需要将其中周期性变化的单元提取出来进行优化。由于透声层的构型(亦可称为结构)变化主要体现在纵剖面上，因此本发明中可针对透声层中单个周期性单元的纵剖面进行构型优化。

在本发明的一个较佳实施例中，上述降低异种材料界面声学传递损失的透声层优化方法包括如下步骤：

S1、以透声层中单个周期性单元为优化目标，将周期性单元的纵剖面离散化为二进制矩阵，以矩阵的不同二进制元素值区分代表第一介质材料和第二介质材料，其中第一介质材料与第一介质层的材料相同或具有相似的阻抗，第二介质材料与第二介质层的材料相同或具有相似的阻抗；通过随机化生成二进制矩阵，批量生成随机的透声层数码材料模型，模型中的每个数码对应于一个材料单元，各单元的具体材料由对应的二进制矩阵中的元素值决定。

需要说明的，上述二进制矩阵是基于材料声透射问题的物理模型构建的，如图1所示，透声层位于介质材料A和介质材料B之间，该透声层的一个周期性单元纵剖面可离散化为0-1二进制矩阵。二进制矩阵中每个矩阵元素的值都是一个二进制值，即0或1，本发明中可以用1代表第一介质材料，用0代表第二介质材料，也可以用0代表第一介质材料，用1代表第二介质材料，对此不做限定。基于二进制矩阵，可以将矩阵中的元素按照其二进制元素值对应映射形成透声层中一个填充指定介质材料的单元，本发明将将这个单元称为数码，由此形成用于进行数值化模拟的透声层数码材料模型。若透声层厚度为H，二进制矩阵为n×m阶矩阵，则透声层数码材料模型中的一个数码的高度为H/m。

需要说明的是，第一介质材料以与第一介质层的材料完全相同为佳，同样的第二介质材料以与第二介质层的材料为佳，但如果两者的材料阻抗差异不大，则也可以采用两种不同的材料。例如，如果第二介质层为水，由于水为液态无法用于构建层体，因此第二介质材料可以采用水凝胶替换，因为水凝胶与水的阻抗差距很小。第一介质材料也需要根据实际模拟的第一介质层材质而定，可采用橡胶、聚氨酯(PU)等。

S2、针对S1中生成的每个透声层数码材料模型，利用有限元模拟得到目标频带范围内的声学传递损失(STL)曲线以及声学传递损失平均值(ATL)。

需要说明的是，通过有限元模拟来计算目标频带范围内的声学传递损失(STL)曲线属于现有技术。如图2所示，展示了声学传递损失的有限元分析方法以及平均声学传递损失计算方法流程，其中有限元模型的构建是关键步骤。基于声透射问题的物理模型构建有限元模型时，需要上下分别设置硬声场边界、低反射边界，然后两侧设置对称性边界，在四个边界为何范围内从上到下依次设置完美匹配层、第二介质材料B层、压力声学与固体耦合边界、透声层、第一介质材料A层。其中透声层即可导入前述的透声层数码材料模型来构建。在关注的频带范围内，即在目标频带范围内，可通过有限元模拟对声波的入射过程进行模拟，得到不同频道处的STL值构成的STL曲线，将目标频带范围内所有频道对应的STL值进行平均，即可得到ATL值。例如图2中，其关注的目标频带范围为0～10kHz的低频区间，因此将这个区间分成了10个频带，对10个频带的STL值进行平均得到对应的ATL值。

上述每一个透声层数码材料模型，均可通过有限元模拟得到对应的ATL值，由此即可用于作为机器学习的样本。因此，批量生成透声层数码材料模型时，其数量需要保证机器学习有足够的样本进行训练。

S3、将每个透声层数码材料模型的二进制矩阵转换为二进制向量v，以二进制向量v为训练样本的输入，以S2中计算得到的对应的声学传递损失平均值ATL为训练样本的标签，构建训练数据集；利用训练数据集进行机器学习训练，得到用于根据二进制向量v预测声学传递损失平均值ATL的预测函数。

需要说明的是，二进制矩阵转换为二进制向量主要是为了便于输入机器学习模型。本发明具体可采用的机器学习模型不限，反向传播人工神经网络、支持向量机、卷积神经网络、线性回归等均可作为本发明中的机器学习模型。机器学习模型的训练属于现有技术，对此不再展开描述。

如图3所示，展示了一个实施例中采用的以BP神经网络形式的机器学习模型来构建预测函数的示意，其输入层维度为的二进制向量v维度，即1*400，隐藏层有三层，维度分别是10-5-5，输出层维度为1，即ATL值。由此，该机器学习模型训练完毕后得到的模型可视为是一个根据二进制向量v预测声学传递损失平均值ATL的预测函数f，即ATL＝f(v)。

S4、以训练数据集中的训练样本作为初始种群，以上述预测函数ATL＝f(v)为适应度函数，通过遗传算法进行优化，得到声学传递损失平均值ATL最小的最优二进制向量v。

本发明中的遗传算法(Genetic Algorithm，简称GA)是一种自适应随机搜索启发式算法，广泛应用于复杂函数系统优化、机器学习、系统识别、故障诊断、分类系统等领域中。如图4所示，GA算法利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程，其中每一轮迭代需要利用适应度函数来区分群体中个体的好坏，并基于适应值对个体进行筛选，以保证适应值好的个体有机会在下一代中产生更多的子个体。因此，在使用GA求解具体问题时，适应值函数的选择对算法的收敛性以及收敛速度的影响较大。本发明中，上述预测函数ATL＝f(v)记为遗传算法优化过程中的适应度函数。最终优化的目标是最小化该适应度函数，即保证声学传递损失平均值ATL最小。当优化得到上述最优二进制向量v后，即可重新将二进制向量v转化为二进制矩阵形式，进而形成最优透声层数码材料模型。

为了加快遗传算法的收敛，在选择初始种群时，可对训练数据集中的训练样本进行筛选，去除ATL值过高的部分样本，保留ATL值较小的部分样本。

S5、将上述最优二进制向量v转化成透声层数码材料模型得到最优构型，通过有限元模拟得到目标频带范围内的声学传递损失STL曲线以及声学传递损失平均值ATL，再根据有限元模拟结果判断该最优构型是否满足预期的优化要求，若满足则完成优化，若未满足则扩大训练数据集中的训练样本后重新进行机器学习训练生成新的预测函数，并再次进行遗传算法优化，直至最优构型满足优化要求。

需要说明的是，本步骤中的有限元模拟与上述S2中是一样的，此处不再赘述。其目的是为了判断该最优构型是否满足预期的优化要求，此处预期的优化要求需要根据实际情况进行确定，可预先设定希望透声层最终满足的STL曲线以及需要满足的ATL值，具体取值此处无需限定。

但是，如果有限元模拟后发现该最优构型并不能满足预期的优化要求，则可能是初始批量生成的透声层数码材料模型样本数量不够，寻优过程陷入了局部最优解，而没有找到全局最优解。因此，这种情况下需要扩大训练数据集中的训练样本，再重新进行机器学习训练生成新的预测函数f，并再次进行上述S4和S5的遗传算法优化，然后再次判断是否达到预期。不断循环该过程，直至最优构型满足预期的优化要求为止。

需要注意的是，在扩大训练数据集中的训练样本时，可以按照S1中的做法继续采用随机生成方式生成透声层数码材料模型并通过有限元模拟获取标签，但由于这些透声层数码材料模型对应的二进制矩阵是随机生成的，可能并不一定符合降低ATL所需的构型形式。

因此作为本发明实施例的一种优选方式，在扩大训练数据集中的训练样本时，采用的做法不是随机生成，而是预先根据人为总结的经验生成部分经验构型，再将这些经验构型进行有限元模拟得到ATL值后，以样本形式加入到在原始随机生成的训练数据集中。此处增加的经验构型形式不限，可根据现有技术中的相关研究或者实际试验进行选择。本实施例中，给出了三种经验构型，包括随机梯度夹杂结构、楔形梯度结构和随机楔形结构，每个经验构型均是一个透声层数码材料模型，也具有将周期性单元纵剖面离散化后形成的二进制矩阵，二进制矩阵的维度与随机生成的二进制矩阵相同。下面对这三种经验构型的具体形式进行详细描述。

如图5中的第一张图所示，以完全随机生成的透声层数码材料模型为对照，由于其二进制矩阵是随机生成的，因此每个数码中的介质材料类型也是杂乱无序的。

如图5中的第二张图所示，随机梯度夹杂结构的透声层数码材料模型中，每个数码的材料类型随机生成，即每个数码随机设定是第一介质材料还是第二介质材料，但是宏观上而言，沿着第二介质层所在侧到第一介质层所在侧的方向上，数码中出现第二介质材料的概率逐行递减，数码中出现第一介质材料的概率逐行梯度递增。由此宏观来看，沿着第二介质层所在侧到第一介质层所在侧的方向上，数码中出现第二介质材料的概率逐行递减，每一行数码中出现第一介质材料数码的数量不断增加，但其出现的位置不定。在该随机梯度夹杂结构中，由于数码中出现第一介质材料的概率需要逐行梯度递增，因此实际实现时需要有设置相应的概率增长曲线来控制每一行出现第一介质材料的概率，可选的概率增长曲线为线性、多项式、对数或指数形式，对此不做限定，可尽可能丰富地生成不同的模型以便于全局寻优。

如图5中的第三张图所示，楔形梯度结构的透声层数码材料模型中，第一介质材料整体呈连片且外轮廓相对规则的楔形分布，且沿着第二介质层所在侧到第一介质层所在侧的方向上，楔形宽度逐行递增。这种构型相对于前两种构型，其中的介质材料分布不再杂乱无序，而是呈现相对规则的状态。在该楔形梯度结构中，楔形分布的第一介质材料的两侧轮廓线可以是根据经验指定的直线、多项式曲线、对数曲线或指数曲线，对此不做限定，可尽可能丰富地生成不同的模型以便于全局寻优。

如图5中的第四张图所示，随机楔形结构的透声层数码材料模型中，第一介质材料整体呈不连片且外轮廓不规则的楔形分布，楔形内部随机出现第二介质材料，且沿着第二介质层所在侧到第一介质层所在侧的方向上，单行数码中出现第一介质材料的数码个数逐行递增。这种随机楔形结构相对于上一种楔形梯度结构而言，其区别在于外轮廓不再根据经验指定，而是随机地生成，但总体依然呈楔形，但由于是随机生成的因此楔形区域内部也可能出现第二介质材料，第一介质材料的楔形分布不再完全连续。

S6、针对满足优化要求的最优构型，对两种介质材料之间的边界进行平滑，形成透声层的最终构型。

需要说明的是，该步骤中进行边界平滑的目的是考虑材料实际加工的技术需求，因为边界过于离散的材料边界在实际的加工过程中不具有可实现性。而对两种介质材料之间的边界进行平滑后，可以保证其边界相对平滑，有利于实现透声层的加工。

另外，当得到透声层的最终构型后，在实际加工透声层之前，亦可对该最终构型进行一定程度的简化，去除不符合加工工艺要求的部分结构特征，或者可进一步对优化得到的最终构型中的特征进行机理研究，确认哪些结构特征属于关键特征，哪些属于非关键特征，进而实现对实际加工构型的进一步调整。

下面将上述S1～S6所示的降低异种材料界面声学传递损失的透声层优化方法应用与一个具体的实例中，以展示其具体实现过程和技术效果。

实施例

在本实施例中，降低异种材料界面声学传递损失的透声层优化方法的过程如图6所示，具体步骤如下：

第一步：针对阻抗不匹配的两种介质A和B以及给定的透声层厚度H，基于数码材料的概念批量生成随机的透声层数码材料模型，透声层为第一介质材料A和第二介质材料B构成的复合材料。本实施例中，透声层两侧的介质分别为水和橡胶，因此组成透声层的介质材料分别选择为丙烯酰胺水凝胶和聚氨酯(PU)。生成方法如下：首先，随机生成一系列n×m阶二进制矩阵M，矩阵中1和0分别代表介质材料A和介质材料B；然后，根据每个二进制矩阵M中1、0和A、B的对应关系，生成一个透声层的数码材料模型，其中每个数码代表一个材料单元，每个材料单元的高度为H/m。

第二步：针对批量生成的各透声层数码材料构型，利用有限元软件分别模拟计算其所关心的频带范围内的声学传递损失(STL)，并计算声学传递损失在频带内的平均值ATL。在本实施例中，关心的频带范围为0～10kHz的低频区间，该频带区间分成10个频带，对STL曲线上10个频带的STL值进行平均，即可得到对应的ATL值。

第三步：将每个透声层数码材料模型的二进制矩阵转换为二进制向量v，与计算得出的ATL值一起，构建称为训练样本，所有训练样本作为训练数据集训练BP神经网络，从而得出训练后的模型，作为二进制向量v与ATL值之间的预测函数，即ATL＝f(v)。

第四步：从训练数据集里面筛选出ATL值较低的一部分二进制向量v，将对应的训练样本作为初始种群，通过设置合适的交叉率、变异率和收敛准则，以ATL＝f(v)为适应度函数进行遗传算法优化，得出最低ATL预测值以及对应的二进制向量v。在本实施例中，遗传算法直接采用MATLAB中的optimization工具包实现，求解器选择ga-Genetic Algorithm，遗传算子中交叉概率和变异概率分别设置为0.8和0.01。

第五步：将遗传算法得到的最低ATL预测值的二进制向量v，转化成数码材料构型，从而得到最优构型，用有限元方法计算最优构型的声学传递损失STL曲线，并计算平均值ATL。然后判断最优构型的STL曲线以及ATL值是否满足优化预期，如果是，则优化结束，否则，要对训练数据集进行扩充，增加一些根据人的经验生成的构型。相较于完全随机的构型，经验构型的ATL值范围更广，包括了更多特征，又有利于机器学习得到更加准确的预测模型。然后重新进行第二步的有限元模拟以及第三步到第五步的优化过程。

本实施例中采用的经验构型包括前述图5所示的随机梯度夹杂结构、楔形梯度结构和随机楔形结构，其中随机梯度夹杂结构中材料A或材料B出现的概率延厚度方向梯度变化，梯度可以是线性、多项式、对数、指数等形式的；而楔形梯度结构中可做不同梯度的楔型结构，包括直线型、抛物线型、指数型等，曲率变化的参数可以随机产生；另外随机楔形构型的材料中楔形块的外轮廓随机产生，内部在厚度方向会有概率产生空缺。

第七步：得到满足预期的最优构型后，对最优构型进行材料界面的边缘平滑，形成最终构型。

如图7所示，左图展示了本实施例中上述透声层优化方法优化得到的透声层最终构型，该透声层为位于阻抗不匹配的第一介质层和第二介质层之间的双层结构，其中与第二介质层接触的一侧为阻抗跳跃层，与第一介质层接触的一侧为夹杂层，其中阻抗跳跃层完全由第一介质材料A组成；而夹杂层以第二介质材料B为主材，主材内部具有第一介质材料A分布区域，但夹杂层中的第一介质材料A分布区域由第二介质材料B完全围合包裹。

由此可见，本发明的优化方法优化得到的构型，与人为经验总结得出的构型并不一致，反而在与第二介质层接触的一侧形成了一层阻抗跳跃层，这违反了人为经验中需要保证阻抗渐变的理念。相较于传统阻抗匹配构型，这种新颖的阻抗跳越的复杂构型具有较好地性能，尤其是在低频区间(0-10kHz)，该构型相比于传统阻抗渐变的匹配构型，其平均声传递损失进一步降低了31％。

另外，本实施例中，上述边缘平滑后的最终构型中夹杂层内的材料B分布区域近似成椭圆形。基于该最终构型，还可以对其进行结构特征分析，提取出主要结构特征，过滤次要结构特征，然后针对主要结构特征进行简化，并通过有限元验证简化后的最优构型，从而得到最终的构型。例如，参见图7中右图所示，椭圆形的材料B分布区域可以简化为圆形，阻抗跳跃层可平滑形成一层光滑层体，通过对各种参数进行参数化，包括透声层总厚度D、宽度W、阻抗跳跃层厚度D₂、材料B区域的半径d、材料B区域底部与透声层底部的间距h，以及W、D₂、d、h相对于D的比例w_r、t_r、d_r、h_r，即可对这些参数继续进行伸入探究，判断这些参数影响最终性能的机理，以及该构型是否存在进一步优化的可能性。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种降低异种材料界面声学传递损失的透声层优化方法，所述透声层设置于阻抗不匹配的第一介质层和第二介质层之间，其特征在于，优化方法包括：

S1、以透声层中单个周期性单元为优化目标，将周期性单元的纵剖面离散化为二进制矩阵，以矩阵的不同二进制元素值分别代表第一介质材料和第二介质材料，其中第一介质材料与第一介质层的材料具有相同的阻抗，第二介质材料与第二介质层的材料具有相同的阻抗；通过随机化生成二进制矩阵，批量生成随机的透声层数码材料模型，模型中的每个数码对应于一个材料单元，各单元的具体材料由对应的二进制矩阵中的元素值决定；

S2、针对S1中生成的每个透声层数码材料模型，利用有限元模拟得到目标频带范围内的声学传递损失曲线以及声学传递损失平均值；

S3、将每个透声层数码材料模型的二进制矩阵转换为二进制向量，以二进制向量为训练样本的输入，以S2中计算得到的对应的声学传递损失平均值为训练样本的标签，构建训练数据集；利用训练数据集进行机器学习训练，得到用于根据二进制向量预测声学传递损失平均值的预测函数；

S4、以训练数据集中的训练样本作为初始种群，以所述预测函数为适应度函数，通过遗传算法进行优化，得到声学传递损失平均值最小的最优二进制向量；

S5、将所述最优二进制向量转化成透声层数码材料模型得到最优构型，通过有限元模拟得到目标频带范围内的声学传递损失曲线以及声学传递损失平均值，再根据有限元模拟结果判断该最优构型是否满足预期的优化要求，若满足则完成优化，若未满足则扩大训练数据集中的训练样本后重新进行机器学习训练生成新的预测函数，并再次进行遗传算法优化，直至最优构型满足优化要求；

S6、针对满足优化要求的最优构型，对两种介质材料之间的边界进行平滑，形成透声层的最终构型。

2.如权利要求1所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述第二介质层为水，第二介质材料采用水凝胶。

3.如权利要求1所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述S5中，扩大训练数据集中的训练样本的做法为：在原始随机生成的训练数据集中增加根据人为总结经验所确定的经验构型。

4.如权利要求3所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述经验构型包括随机梯度夹杂结构、楔形梯度结构和随机楔形结构，每个经验构型均是一个透声层数码材料模型，也具有将周期性单元纵剖面离散化后形成的二进制矩阵；

所述随机梯度夹杂结构的透声层数码材料模型中，每个数码的材料类型随机生成，但沿着第二介质层所在侧到第一介质层所在侧的方向上，数码中出现第二介质材料的概率逐行递减，数码中出现第一介质材料的概率逐行梯度递增；

所述楔形梯度结构的透声层数码材料模型中，第一介质材料整体呈连片且外轮廓规则的楔形分布，且沿着第二介质层所在侧到第一介质层所在侧的方向上，楔形宽度逐行递增；

所述随机楔形结构的透声层数码材料模型中，第一介质材料整体呈不连片且外轮廓不规则的楔形分布，楔形内部随机出现第二介质材料，且沿着第二介质层所在侧到第一介质层所在侧的方向上，单行数码中出现第一介质材料的数码个数逐行递增。

5.如权利要求4所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述随机梯度夹杂结构中，所述梯度递增的概率增长曲线为线性、多项式、对数或指数形式。

6.如权利要求4所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述楔形梯度结构中，楔形分布的第一介质材料的两侧轮廓线为直线、多项式曲线、对数曲线或指数曲线。

7.如权利要求1所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，进行所述机器学习训练时采用的机器学习模型为反向传播人工神经网络、支持向量机、卷积神经网络、线性回归。

8.如权利要求7所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述初始种群为训练数据集中声学传递损失平均值低于阈值的部分训练样本。

9.如权利要求1所述的降低异种材料界面声学传递损失的透声层优化方法，其特征在于，所述的目标频带范围为0~10kHz。

10.一种根据权利要求1~9任一所述透声层优化方法优化得到的透声层，其特征在于，该透声层为位于阻抗不匹配的第一介质层和第二介质层之间的双层结构，其中与第二介质层接触的一侧为阻抗跳跃层，与第一介质层接触的一侧为夹杂层，其中阻抗跳跃层完全由第一介质材料组成；而夹杂层以第二介质材料为主材，主材内部具有第一介质材料分布区域，但夹杂层中的第一介质材料分布区域由第二介质材料完全围合包裹。