一种基于深度学习的热载荷下电磁超材料性能预测方法

本发明属于光电器件与人工智能，具体涉及一种基于深度学习的热载荷下电磁超材料性能预测方法。

背景技术：

1、电磁超材料是一类人工构造的、具有特殊性质的复合结构或复合材料，通常由某一结构的单胞周期阵列得到，能够对电磁波起到调控作用。电磁超材料在航空航天、通讯、医药等众多领域起到关键作用，因此其设计和性能分析是备受学者关注的研究课题。然而，极端热环境下超材料单胞的变形会对其电磁性能产生影响，且电磁超材料的单胞尺寸与结构尺寸相差较大，传统的数值全模拟方法需要耗费大量的计算时间和存储空间。

2、深度学习是机器学习领域的一个方向，由于模型结构的层数较多，能够更准确地刻画关联关系。和传统算法相比，深度学习准确度高，对不同应用场景的适应性强，在工程结构和材料的性能预测方面的应用已十分广泛。对于包含周期性单胞的大尺度结构，深度学习相比传统有限元方法能够快速、准确预测性能和响应。

3、因此，亟需一种基于深度学习的热载荷下电磁超材料性能预测方法，以解决电磁超材料在极端条件下的性能预测问题。

技术实现思路

1、本发明的目的在于针对现有电磁超材料单胞的变形会对其电磁性能产生影响，导致无法实现极端热条件下的性能预测问题，提出了一种基于深度学习的热载荷下电磁超材料性能预测方法，用于快速得到热变形导致的电磁超材料性能变化，用于预测电磁超材料在极端条件下的性能；所述方法能够揭示热载荷对电磁超材料性能影响规律，能预测电磁性能并为电磁超材料在航空航天隐身部件中的进一步应用提供理论支撑。

2、为了实现上述目的，本发明采取如下技术方案。

3、所述基于深度学习的热载荷下电磁超材料性能预测方法，包括以下步骤：

4、步骤101：基于某种三维电磁超材料的微结构特征，建立有限元模型，为该有限元模型选择网格尺寸并划分网格，设置三维电磁超材料的边界条件和热学载荷，设置稳态求解器并计算三维电磁超材料的稳态热变形，导出稳态热变形后的网格文件；

5、所述热学载荷，包括但不限于提取点温度、材料的热导率、密度、弹性模量、热膨胀系数、比热容、电导率、介电常数及正切损耗值；

6、所述边界条件，包括三维电磁超材料在不同提取点的单胞沿长、宽和厚度；

7、步骤102：在电磁仿真软件中导入稳态热变形后的网格文件，设置边界条件，计算变形后三维电磁超材料的电磁特性；

8、步骤103：重复计算多个算例并构建数据集，定义包含不同采样频率的损失函数，构建卷积神经网络，利用损失函数迭代更新卷积神经网络的参数，最终建立根据超材料结构特征、热学载荷预测电磁特性的模型。

9、所述的建立有限元模型，包括：

10、将电磁超材料单胞中属于不同材料的部分分别建立独立的三维模型部件，设置不同材料的参数和截面属性并赋予不同部件材料参数；

11、将不同部件接触面之间用“tie”绑定。

12、所述的为模型选择合适的网格尺寸并划分网格，包括：

13、模型的单元类型选择热变形单元；

14、在模型的边界设置“种子”，保证每个部件沿厚度方向的单元数大于等于3；

15、分别划分不同尺寸的网格，设置载荷和边界条件并求解，输出某一关键点的结果随网格尺寸的变化；所述关键点的结果达到收敛后的某一网格尺寸作为后续计算分析的网格尺寸。

16、设置三维电磁超材料的边界条件和载荷，包括：

17、设置电磁超材料单胞的力学边界条件和载荷，包括位移边界条件和应力边界条件；

18、设置电磁超材料单胞的热学边界条件和载荷，包括温度边界条件和热流边界条件。

19、设置稳态求解器并分析三维电磁超材料的稳态热变形，导出变形后的inp网格文件，包括：

20、设置稳态求解器，求解模型的稳态热变形，保存求解得到的结果文件；

21、按照不同材料设置新的job，导入保存的结果文件，选择对应材料的部件，点击“input”分别写入变形后的inp网格文件。

22、在电磁仿真软件中导入变形后的网格，设置边界条件，分析变形后三维电磁超材料的电磁特性，包括：选择周期性结构，设置超材料工作流，点击时域/频域分析选项，填入单位和波长/频率范围，完成分析项目的初始化设置。

23、在电磁仿真软件中导入变形后的网格，设置边界条件，分析变形后三维电磁超材料的电磁特性，还包括：导入5所述的不同部件的inp网格文件，为每种部件赋予电磁性能参数；

24、设置模型的边界条件和端口，进行电磁特性分析，导出分析得到的频率范围[f1,f2]的散射参数。

25、所述重复计算多个算例，构建数据集，包括：

26、选取不同结构特征的三维电磁超材料建立模型，设置不同的热学载荷和边界条件，重复前述内容，得到大量计算结果；

27、设置边界条件的单胞沿长、宽和厚度三个方向的提取点数量分别为n1,n2,n3,将提取点对应的热学载荷中温度、材料的热导率、密度、弹性模量、热膨胀系数、比热容、电导率、介电常数及正切损耗值共nc个参数作为输入变量，则数据的大小为nc×n1×n2×n3；

28、建立数据集，将数据集按照一定比例分为训练集和测试集。

29、所述定义包含不同采样频率的损失函数，包括：

30、将频率范围[f1,f2]依照1种或m种采样频率进行离散；所述m大于1；分别取m1,...,mm(m1＞...＞mm)个点进行离散化，设置离散化频率：

31、f(p)＝f1+(p-1)(f2-f1)/(mi+1)(p∈[1,mi],i＝1,...,m)

32、损失函数的表达式为：

33、

34、其中，n是样本数量，r′(x)是频率x对应的预测值，r(x)是频率x对应的标签值。

35、所述构建卷积神经网络，利用损失函数对网络参数进行迭代更新，包括：

36、构建残差卷积神经网络，其输入数据大小为nc×n1×n2×n3，经过多个三维残差核后全连接映射到大小为q1×1×1的高频采样预测；

37、将大小为q1×1×1的高频采样预测卷积得到大小为q2×1×1的中频采样预测，满足q1＞q2，同理构造大小为q3×1×1的低频采样预测；

38、将m组参数对应的预测结果分别取m1,...,mm个点作为采样点数，计算均方误差mse损失，进而迭代更新网络参数，获得最终的预测模型。

39、有益效果：

40、本发明提出的一种基于深度学习的热载荷下电磁超材料性能预测方法，与现有技术相比，具有如下有益效果：

41、1.所述方法能快速得到热变形导致的电磁超材料性能变化，用于预测电磁超材料在极端条件下的性能；

42、2.所述方法能揭示热载荷对电磁超材料性能影响规律；

43、3.所述方法能预测电磁性能并为电磁超材料在航空航天隐身部件中的进一步应用提供理论支撑。