[发明专利]多孔材料吸声性能预测方法、装置、电子设备和存储介质

说明书

本申请涉及一种多孔材料吸声性能预测方法、装置、电子设备和存储介质。所述方法包括：获取代表多孔材料拓扑结构的图像，并进行预处理，得到训练样本和测试样本；构建多孔材料吸声性能预测网络；该网络包括多个依次连接的ResNet模块；ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；利用训练样本对多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试，并利用得到的多孔材料吸声性能预测模型对待测图像进行预测，得到多孔材料吸声系数预测值。采用本方法可以得到非常精确的多孔材料吸声系数预测值，该方法专门用于高效、准确地评估多孔材料的吸声性能。

技术领域

本申请涉及吸声降噪技术领域，特别是涉及一种多孔材料吸声性能预测方法、装置、电子设备和存储介质。

背景技术

多孔材料的空气声吸声性能与其拓扑结构密切相关。计算吸声系数(α)最成熟和最常用的方法是通过有限元模拟。然而，当计算大量样本时它相对耗时，尤其是涉及到复杂的内部结构与几何形状时。

迄今为止，仍然缺乏一种有效且智能的方法来预测多孔材料的性能。为此，越来越强大的机器学习算法有可能为材料属性计算和理解提供新的方法。但是在利用CNN研究吸声超材料方面的工作仍然比较有限，预测的准确性不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够得到非常精确的多孔材料吸声系数预测值的多孔材料吸声性能预测方法、装置、电子设备和存储介质。

一种多孔材料吸声性能预测方法，所述方法包括：

获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。

构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。

利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。

将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。

一种多孔材料吸声性能预测装置，所述装置包括：

训练样本和测试样本获取模块，用于获取代表多孔材料拓扑结构的图像，并对其进行预处理，得到训练样本和测试样本。

多孔材料吸声性能预测网络构建模块，用于构建多孔材料吸声性能预测网络；所述多孔材料吸声性能预测网络包括多个依次连接的ResNet模块；所述ResNet模块包括两个卷积层、两个批量归一化层和两个Relu层，每个ResNet块都利用跳跃连接来提高网络性能；将代表多孔材料拓扑结构的图像输入到多个依次连接的ResNet模块中得到更高维度的特征图，并将最后一个ResNet模块输出的特征图采用sigmoid函数归一化处理，得到多孔材料吸声系数预测值。

多孔材料吸声性能预测模型确定模块，用于利用所述训练样本对所述多孔材料吸声性能预测网络进行训练，并利用测试样本进行测试以确定训练好的预测网络的预测精度，测试通过后最终得到多孔材料吸声性能预测模型。

多孔材料吸声系数预测值确定模块，用于将待测多孔材料横截面图像输入到所述多孔材料吸声性能预测模型中，得到多孔材料吸声系数预测值。