Elsevier出版集团旗下国际期刊《Neural Networks》近日录用厦门大学侯亮教授团队最新研究成果：Physics-Constrained Machine Learning for Impedance-Based Measurement and Sound Absorption Prediction of Composite Acoustic Materials。
复合声学材料广泛应用于汽车NVH、及航空航天等领域，其吸声性能受材料类型、层间结构、堆叠顺序等多种因素影响，具有明显的非线性和频率依赖特征。传统试验方法成本高、周期长，单一机理模型和纯数据驱动模型也难以同时兼顾预测精度与物理合理性。
本文提出了一种融合JCA-TMM机理模型、Transformer Encoder和随机森林的物理约束机器学习框架。该方法利用阻抗管试验数据构建复合声学材料数据库，通过交叉注意力融合频率特征与材料结构特征，并在损失函数中引入物理约束。 研究结果表明，该方法预测不同材料组合和堆叠结构的吸声性能精度较高，为复合声学材料快速设计和汽车NVH降噪提供新的技术手段。
《Neural Networks》是人工智能与神经网络领域的TOP期刊（IF=7.2）。本文第一作者为硕士研究生王博，侯亮教授和卜祥建老师为通讯作者。相关研究工作得到国家自然科学基金项目支持。
