基于机器学习的预测建模技术，用于研究穿孔隔膜的自然频率和位移变化，以提升结构分析的准确性

《Journal of Computational Electronics》：Machine learning-driven predictive modeling of natural frequency and displacement in perforated diaphragms for enhanced structural analysis

机器学习算法替代有限元分析用于预测LTCC膜片位移和频率，实验表明CatBoost表现最优，R2分别达0.927和0.995。

　　

摘要

位移和固有频率是基于隔膜的微机电系统（MEMS）压力传感器最重要的设计参数。对于非传统的MEMS器件隔膜设计，使用有限元方法（FEM）进行分析以获得这两个参数所需的时间和成本远高于传统的圆形、方形和矩形隔膜设计。因此，FEM的一个主要缺点是仿真所需时间过长。机器学习（ML）算法可能是FEM分析的替代方法。ML算法更简单、功能更强，且能节省时间和成本，可以快速预测MEMS隔膜设计的关键信息，包括位移和固有频率，并提供准确可靠的结果。在本研究中，使用了包括XGBoost回归器、LightGBM回归器、CatBoost回归器和TabNet回归器在内的ML算法，基于200个FEM数值结果来估算穿孔低温共烧陶瓷（LTCC）隔膜的位移（μm）和频率（Hz）。通过考虑R2、MAE、RMSE和MAPE指标对预测结果进行了比较。根据这些结果，CatBoost回归器在位移和频率预测方面的表现最佳，其R2值分别为0.927和0.995。研究表明，CatBoost在计算效率和预测性能之间取得了出色的平衡，而LightGBM则在重视速度和内存效率的场合中是一个强有力的替代方案。因此，可以得出结论：ML算法是一种有用、成本低廉且高效的工具，无需进行FEM分析即可快速分析穿孔隔膜的位移和固有频率。