Место издания:Редакционно-издательский центр Башкирского государственного университета Уфа
Первая страница:170
Последняя страница:170
Аннотация:Метаматериалы – композиционные материалы с периодической структурой, которыеобладают уникальными электромагнитными или акустическими свойствами. В частности,фононные метаматериалы уже нашли применение в качестве различных отражателей ифильтров и в настоящее время являются перспективными материалами для акустическойинженерии [1]. Одним из методов создания новых метаматериалов является модульноепроектирование, в котором основой периодической структуры являются «мета-атомы» –структуры, содержащие расположенные в определенном порядке включения с заданнымимеханическими характеристиками [2]. Особенностью задачи проектирования модульныхметаматериалов является необходимость прогнозирования различных характеристикитогового образца по известным данным о структуре и материалах «мета-атомов».Существенно ускорить выбор наиболее эффективных «мета-атомов» для решаемой задачипроектирования может технология машинного обучения [3].В данной работе рассматривается модельная система - композит в виде двухмернойполосы [4]. Сама матрица, так же, как и ее включения, задается массовой плотностью,модулем Юнга и коэффициентом Пуассона. Используя численное моделирование и алгоритмоптимизации на основе нейронной сети, разработана методики нахождения такойпоследовательности включений, которая обеспечивает максимальную ширину запрещеннойзоны в колебательном спектре.Расчет собственных частот проводится в программной среде CAE Fidesys [5].Реализация проводилась на языке программирования Python, с помощью библиотекиPyTorch. Для обучения нейронной сети многократно проводился расчет эффективныхсвойств [6] на ячейке периодичности метаматериала с помощью метода конечных элементов(МКЭ) для некоторого подмножества комбинаций включений. Далее обученная нейроннаясеть использовалась для поиска оптимальной (в указанном выше смысле) комбинациивключений путем перебора всех возможных вариантов расположения включений в ячейкепериодичности. Применение разработанной методики позволило реализовать моделированиеММ, не требующее значительных временных затрат и вычислительных мощностей, посравнению с прямыми МКЭ-расчетами эффективных свойств для всех возможных вариантовячеек периодичности. Разработанная методика на основе нейронной сети апробирована впроцессе проектирования и показала высокую эффективность.Работа выполнена в МГУ имени М.В. Ломоносова при поддержке гранта ПрезидентаРФ для молодых ученых - докторов наук МД-208.2021.1.1.