CN119442019A 基于物理信息神经网络的内声场有界不确定性分析方法 （北京航空航天大学）

基于物理信息神经网络的内声场有界不确本发明公开了一种基于物理信息神经网络立物理信息损失函数并建立物理信息驱动神经理信息损失函数建立总体损失函数并训练含参参内声场声压预测模型获取内声场声压不确定2步骤一：在所述内声场的边界表面上和几何域内分别获取多个边界配点和内部配点，步骤二：获取所述内声场的输入不确定参数取值范步骤三：利用拉丁超立方抽样在所述几何域内获取样本步骤五：根据所述取值范围建立区间模型，利用全局搜2.根据权利要求1所述的基于物理信息神经网络的内声场有界不确定性分析方法，其3.根据权利要求1所述的基于物理信息神经网络的内声场有界不确定性分析方法，其3[0006]本发明实施例提供的一种基于物理信息神经网络的结构内声场有界不确定性分4[0014]本发明实施例提供的基于物理信息神经网络的内声场有界不确定性分析方法至[0015](1)本发明实施例中的分析方法利用不同参数水平下物理信息驱动神经网络产生[0016](2)本发明实施例中的分析方法可以给出声压场关于任意参数或任意空间坐标的[0017](3)本发明实施例中的分析方法无需大量不同参数下的代理模型进行插值，仅需训练少量不同参数水平下的物理信息驱动神经网络模型与含参物理信息驱动的神经网络[0018](4)本发明实施例中的分析方法采用物理信息驱动的神经网络模型，其可解释性[0019]图1为本发明实施例中的基于物理信息神经网络的内声场有界不确定性分析方法[0020]图2为本发明实施例中的基于物理信息神经网络的内声场有界不确定性分析方法5[0024]步骤一：在内声场的边界表面上和几何域内分别获取多=NN(x,y,z)。[0031]利用拉丁超立方抽样在内声场的几何域与内声场的边界表面上分别抽取NDomain个[0033]基于以上的内部配点与边界配点，计算神经网络的控制方程残差与边界条件残6[0035]其中pipre为第i个内部配点的神经网络预测声压值，为第j个边界配点的神经[0036]基于控制方程残差与边界条件残差，在赋予其一定权重(WPDE与[0039]在一种可能的示例中，以矩形空腔结构作为典型的内声场，其几何模型如图3所[0043]结合声学速度边界条件与声压关系和亥姆霍兹方程，内声场声压满足以下方程7[0053]计算神经网络拟合声压在内部配点以及边界配点上的控制方程残差与边界条件8参数水平对应的绝对取值与经归一化处理后的相对取值如用自适应矩估计算法与二阶拟牛顿算法分别对物理信息驱动神经网络进行训练。具体的，坐标为输入，分别带入NMN(X,Y,Z),…,NN,(X,J;),得到这些样本点在不同参数水平下的声压的数值，并将其视作该点声压在这一参数水平下的真实值p"。将样本点的空间坐标)T；[0075]在一种可能的示例中，在矩形空腔的几何域Ω中利用拉丁超立9数取值下任意空间坐标下的声压分布。由于输入坐标有空间坐标x,y,z与参数坐标θ1,)T为输入含参自变量。将神经网络映射函数写作p=其中五个输入维度分别为待求声压点的x,y,z坐标以及两个参数坐标θω,输出为声压取的声压预测值记为p",而数据库中各含参自变量对应的声压值可近似认为是真实值，将第k个含参自变量对应的声压真实值记为p",基于此得到训练集上的数据驱动残差，表示[0096]重复步骤一得到控制方程残差与边界条件残差ePDE与eBC。为使得边界条件残差仅表示为神经网络输入以及输出的函数，将波长k与声速c0以及激励角频率[0102]取步骤二中的各参数θi取值范围的上界与下界θi，得到各参数取值区间