基于基尼不纯度结构优化物理引导神经网络的薄膜型声学超材料传声损失预测

潘鑫荣¹, 刘学文¹, 朱波¹, 王颖轶²

（1. 上海工程技术大学 机械与汽车工程学院，上海201620；2. 上海交通大学 船舶海洋与建筑工程学院，上海200240） 

摘要：随着机器学习的快速发展，采用神经网络进行声学超材料的性能预测正在取代以实验为基础的传统测试方法。本文提出了基于基尼不纯度的神经网络结构优化器，并研究了五种初始化算法对于模型性能及结构优化的影响。为了进一步提升模型的预测精度，实现了混合共振频率和传声损失公式的两类物理引导模型。结果表明采用灰狼算法作为初始化方法的结构优化器能够显著提升模型的预测精度。同时，混合共振频率的物理引导模型拥有最佳性能且能更好地预测边缘数据点。最后，结合敏感度分析和理论公式解释了输入参数对于传声损失的影响。

关键词：薄膜型声学超材料，传声损失，固有频率，物理引导神经网络，结构搜索，基尼不纯度，灰狼优化，初始化方法  

扫描二维码全文浏览

Cite this article:   Pan, X., Liu, X., Zhu, B. et al. Physics-Guided Neural Network with Gini Impurity-Based Structural Optimizer for Prediction of Membrane-Type Acoustic Material Transmission Loss. J. Shanghai Jiaotong Univ. (Sci.) 30, 612–624 (2025). https://doi.org/10.1007/s12204-023-2655-2