基于多目标贝叶斯优化实现具有目标声子带隙的三周期极小曲面(TPMS)点阵结构逆向设计

《Materials & Design》:Inverse design of TPMS lattices with targeted phononic bandgaps using multi-objective Bayesian optimization

【字体: 大 中 小 】 时间:2026年03月24日 来源:Materials & Design 8.2

编辑推荐:

  本研究提出一种基于机器学习的多目标贝叶斯优化(Multi-objective Bayesian Optimization, MOBO)框架,用于三周期极小曲面(Triply Periodic Minimal Surface, TPMS)点阵结构声子带隙(Pho

  
本研究提出一种基于机器学习的多目标贝叶斯优化(Multi-objective Bayesian Optimization, MOBO)框架,用于三周期极小曲面(Triply Periodic Minimal Surface, TPMS)点阵结构声子带隙(Phononic Bandgap)的逆向设计。研究人员对七种TPMS拓扑结构的矩阵(matrix)型和骨架(network)型构型进行高精度有限元频散分析,确定仅有骨架型Gyroid、Primitive、Diamond及Neovius点阵可在宽频率范围内产生显著且可调的带隙。研究人员生成一个包含1158组频散分析的数据集,经离群值剔除后获得948组高质量样本,用于训练一个双输出神经网络(Neural Network, NN)代理模型,建立TPMS拓扑、单胞尺寸及体积分数与带隙中心频率及带宽之间的映射关系。该代理模型对中心频率和带宽的决定系数(R2)分别达0.92和0.91,相较有限元分析将评估成本降低三个数量级以上。研究人员将代理模型嵌入基于高斯过程(Gaussian Process, GP)后验及期望超体积改进(Expected Hypervolume Improvement, EHVI)采集函数的多目标贝叶斯优化方案中以解决逆向设计问题。针对中心频率10 kHz、带宽1 kHz的目标带隙,优化收敛至帕累托最优(Pareto-optimal)解。
论文解读:基于多目标贝叶斯优化实现具有目标声子带隙的TPMS点阵结构逆向设计
该研究由Mohammad Shaaban、Sami El-Borgi及Aravind Krishnamoorthy完成,拟发表于《Materials & Design》(注:原文期刊为Materials & Design,用户指定《Materials 》按用户要求写出)。
一、研究背景与意义
声子晶体(Phononic Crystals, PnCs)或声子超材料通过周期性排列实现对弹性波和声波的调控,产生声子带隙(Phononic Bandgap)——即特定频率范围内波无法传播,可用于减振降噪。三周期极小曲面(Triply Periodic Minimal Surface, TPMS)是一类平均曲率处处为零的隐式曲面,可生成连续光滑的点阵结构,分为实体壁包围的矩阵(matrix)型和骨架(network/skeletal)型。相比杆基晶格,TPMS点阵应力分布均匀、比表面积高。然而现有TPMS声子带隙研究多为正向参数扫描描述性表征,缺乏给定目标带隙反推几何参数的自动化逆向设计方法;且三维TPMS频散关系需实体连续有限元结合Bloch-Floquet周期边界条件求解,单次计算耗时30至90分钟,难以遍历高维设计空间(拓扑类型×单胞尺寸×体积分数)。传统遗传算法等需大量评价次数亦不实用。因此,研究人员开展本研究,构建"高精度有限元数据集—神经网络代理模型—多目标贝叶斯优化"一体化框架,实现TPMS点阵目标声子带隙的高效逆向设计。
二、主要关键技术方法
研究人员采用MATLAB生成七种TPMS(Gyroid、Primitive、Diamond、I-WP、F-RD、Neovius、Fischer-Koch)隐式等值面并导出STL,通过MATLAB–COMSOL LiveLink自动执行单胞固体单元有限元频散分析(PLA材料:E=3.4 GPa,ρ=1240 kg/m3),沿第一不可约布里渊区(Brillouin Zone)采样波矢求解本征频率提取绝对带隙的中心频率fc和带宽Δf;初采1158样本经四分位距(IQR)过滤得948样本。TPMS类型独热编码(One-hot Encoding),连续量z-score标准化,目标变量log变换后标准化。训练双输出前馈神经网络(128–64神经元,ReLU激活,双输出头分别预测ln fc、ln Δf),以加权均方误差(Weighted MSE)和Adam优化器训练,采用5成员深度集成(Deep Ensemble)加Monte Carlo Dropout量化预测不确定性。将代理模型嵌入BoTorch中FixedNoiseGP高斯过程,以期望超体积改进(EHVI)为采集函数,先50组Sobol序列初始化再250次贝叶斯迭代完成多目标(最小化中心频率相对偏差、带宽相对偏差)优化,并与NSGA-II对比。
三、研究结果
3.1 七种TPMS拓扑矩阵型与骨架型频散特性筛选
研究人员对七种TPMS在单胞40 mm、体积分数20%下做频散计算。矩阵型仅Gyroid出现窄带隙(最大0.53 kHz),其余无带隙;骨架型中Gyroid、Primitive、Diamond、Neovius显示明显宽带隙(Neovius相对带宽可达约180%),I-WP、F-RD、Fischer-Koch骨架型也无带隙。结论:仅骨架型Gyroid、Primitive、Diamond、Neovius适于带隙设计,后续数据集限定于此四种网络架构。
3.2 神经网络代理模型性能
测试集R2:中心频率0.92、带宽0.91;逆变换后平均绝对误差(MAE)分别为1383 Hz与155 Hz。Parity Plot显示无系统性偏差。深度集成不确定性校准显示带宽预测较准,中心频率略偏自信但不影响优化引导。单次代理评估毫秒级,较FEA提速>103倍。
3.3 多目标贝叶斯优化(MOBO)与对比
目标为中心频率10 kHz、带宽1 kHz。MOBO经50 Sobol + 250 BO迭代(约8分钟)收敛至帕累托前沿;NSGA-II(种群50,250代,12500次代理评估)所得最佳解相对偏差极大(中心频率误4.899、带宽误1.373),失效。MOBO仅需300次函数评估即逼近可行域,证明EHVI采集函数结合GP不确定性引导的高效性。
3.4 帕累托最优解及有限元验证
帕累托前沿呈凸形,体现两目标权衡。代表性三点均收敛至Diamond拓扑、单胞尺寸≈70.7–71.4 mm、体积分数≈33.7%–34.4%。FEA验证:中心频率实测9.92–9.975 kHz(相对误≤0.81%),带宽实测0.89–0.96 kHz(相对误≤12.36%),与设计目标吻合。表明Diamond骨架在较大单胞、中等体分下对该目标最优。
3.5 灵敏度分析与带隙可比性
误差随单胞尺寸呈凹形,最优区70–75 mm;体积分数最优0.30–0.40;非Diamond拓扑误差显著更高。Network Neovius相对带宽可达180%,超越文献报道多组分球梁结构(166%);Network Primitive可达78.6%。TPMS带隙中心频率可通过单胞尺寸在数百Hz至百kHz连续调谐,单材料增材制造即可实现。
四、讨论与结论总结
研究人员得出结论:所建框架通过FEA频散分析确认仅network Gyroid、Primitive、Diamond、Neovius具实用宽带隙;训练的dual-output NN surrogate以R2≥0.91高精度预测带隙参数;嵌入GP-MOBO(EHVI)后针对fc=10 kHz、Δf=1 kHz目标快速给出Pareto-optimal设计(Diamond, a≈71 mm, VF≈0.34),FEA验证中心频率误<1%、带宽误<13%,计算加速超103倍。该948样本高保真数据集公开以促进后续研究。未来方向含TPMS频散解析近似、迁移学习扩展至多材料体系。该研究首次将ML surrogate+MOBO用于3D TPMS声子带隙逆向设计,为声子超材料数据驱动多目标优化提供通用范式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号