面向风电结构振动控制的卷积自编码器参数化逆向设计方法研究

《AI EDAM》：Convolutional autoencoder for on-demand parametric inverse design of local resonator geometry in wind turbine metastructure targeting vibration control

本刊推荐：针对风电结构振动控制中局部谐振器几何参数设计的复杂性问题，研究人员开展了基于卷积自编码器（CNN-AE）的逆向设计方法研究。通过将目标频率响应作为输入，模型可直接输出满足动态性能要求的谐振器几何参数（长度lr、宽度br、高度hr），结合灵敏度优化方法进行参数微调。结果表明，该方法能够实现谐振器几何参数的快速精准预测（共振频率误差<0.02 Hz），为机械超材料的智能化设计提供了新思路。

　　

随着风电产业向大型化、深海化发展，风力发电机叶片和塔筒的振动控制问题日益突出。环境荷载引起的结构振动不仅影响发电效率，还可能引发疲劳损伤，缩短设备寿命。传统被动控制装置如调谐质量阻尼器（TMD）存在重量大、调频受限等瓶颈，而机械超材料（Mechanical Metamaterials）通过周期性分布的局部谐振器（Local Resonators）产生带隙特性，为低频振动控制提供了新途径。然而，传统谐振器设计依赖数值模拟和试错优化，计算成本高且缺乏通用性。

针对这一挑战，Mohammadreza Sahaf Naeini、Marcela Machado和Maciej Dutkiewicz在《Artificial Intelligence for Engineering Design, Analysis and Manufacturing》发表研究，提出了一种基于卷积自编码器（Convolutional Autoencoder, CNN-AE）的参数化逆向设计框架。该框架以理想谐振器的频响特性（柔度谱）为输入，通过编码器-解码器结构直接预测谐振器的几何参数，实现了"按需设计"的智能化流程。

研究方法的核心技术包括：1）基于拉丁超立方采样（LHS）生成20万组谐振器几何参数及其动态响应数据集；2）构建具有特征加权模块的1D-CNN自编码器，采用自定义损失函数（几何参数误差+频谱重构误差）进行监督训练；3）引入灵敏度优化方法（Sensitivity Optimization Method）对预测参数进行微调，确保共振频率误差小于0.02 Hz。模型以NREL 5 MW海上风电塔架为案例，针对0.3 Hz附近的低频振动进行控制器设计。

逆向设计模型架构

研究采用表2所示的CNN-AE结构，编码器通过6层一维卷积层提取频谱特征，解码器通过反卷积层重构频谱。潜在空间（Latent Space）直接对应谐振器的三个几何参数，通过特征加权模块提升预测精度。训练中使用Nadam优化器和循环学习率策略，批量大小为256，迭代300轮次。

动态响应与不确定性分析

通过概率密度函数（PDF）分析发现，谐振器长度对共振频率偏移的影响最为显著（图7a），而宽度和高度主要影响响应幅值（图8a-b）。当三个参数同时随机变化时，系统呈现单峰统计分布特征（图8c-d），证明了数据集覆盖设计空间的全面性。

逆向设计验证

针对测试集样本的预测结果显示（表3），模型对共振频率预测的均方误差（MSE）为0.0021，决定系数（R2）达0.975。如图9所示，对于误差超限的样本（案例3、4），灵敏度优化方法能在数秒内将频率误差从0.053 Hz降低至0.001 Hz以下，显著提升设计精度。

风电超结构应用验证

将模型应用于风电塔架局部谐振器设计（案例1-3），结果显示（图11b,e,h），经参数微调后的谐振器能有效分裂目标频率（0.27/0.34/0.5 Hz），形成对称衰减带宽。时程分析（图11c,f,i）证实，优化后的谐振器可使结构振动幅值降低约40%，且避免了传统TMD可能引发的相邻模态放大问题。

该研究通过深度学习与物理模型的深度融合，实现了机械超材料谐振器的快速逆向设计。所提CNN-AE框架将设计时间从传统数值优化的数小时缩短至2分钟以内，且支持在线参数调整，为大型工程结构的智能振动控制提供了可扩展的解决方案。未来工作将拓展至拓扑优化、多物理场耦合等复杂场景，进一步推动机械超材料在可再生能源装备中的工程应用。