基于通道多尺度深度残差网络(CMDRN)的有限尺寸材料自由场吸声性能数据驱动预测方法

本文创新性地提出一种融合边界元法(BEM)与通道多尺度深度残差网络(CMDRN)的数据驱动方法，突破传统自由场测量中无限大样本假设限制。通过构建压力-粒子速度(PU)物理信息数据集，结合多尺度注意力机制，实现有限尺寸材料声学性能的高精度反演，为声学材料设计提供免迭代、无先验知识的新型解决方案。

　　

Highlight

本研究突破传统自由场测量中无限大样本假设限制，开发基于通道多尺度深度残差网络(CMDRN)的非线性反演求解器。该方法直接从空间声场数据推断材料吸声性能，无需材料参数先验知识或迭代反演过程。

Sound field model based on the boundary element method

边界元法(BEM)仅需离散边界即可显著降低计算成本，特别适用于半无限/无限域声学问题。如图1所示半空间声场模型，材料可等效为刚性障板上的阻抗表面M，其声压分布可通过边界积分方程精确建模。

Proposed method

针对低频/中频段有限样本效应导致的测量误差难题，我们提出融合BEM与多孔声学模型的数据驱动框架。通过集成深度残差网络与通道多尺度注意力机制，CMDRN能有效捕捉关键空间声学特征，实现从声场分布到吸声系数的端到端映射。

Validation of the proposed method

基于JCA模型与BEM生成的物理信息数据集验证表明，CMDRN在0.5-5kHz频段平均预测误差<5%，显著优于传统球面波模型(误差>15%)。多尺度注意力模块使模型对边缘衍射效应具有鲁棒性。

Experimental verification

实际测量验证显示，单PU探头在1/3倍频程下的吸声系数预测与阻抗管法结果相关系数达0.98。该方法成功克服了小样本(0.5m×0.5m)在250Hz频段的边界效应干扰。

Conclusions

本研究构建的CMDRN数据驱动框架，通过将JCA模型与BEM耦合建模，实现了有限尺寸材料自由场吸声性能的精确预测，为声学材料工程应用提供新型智能化测量范式。