ترجمه فارسی مقاله مواد آوایی با ویژگی‌های سلسله مراتبی جداسازی شده به طور موثر با استفاده از یادگیری ماشینی قابل تفسیر

چکیده

Manipulating the dispersive characteristics of vibrational waves is beneficial for many applications, e.g., high-precision instruments. architected hierarchical phononic materials have sparked promise tunability of elastodynamic waves and vibrations over multiple frequency ranges. In this article, hierarchical unit-cells are obtained, where features at each length scale result in a band gap within a targeted frequency range. Our novel approach, the “hierarchical unit-cell template method,” is an interpretable machine-learning approach that uncovers global unit-cell shape/topology patterns corresponding to predefined band-gap objectives. A scale-separation effect is observed where the coarse-scale band-gap objective is mostly unaffected by the fine-scale features despite the closeness of their length scales, thus enabling an efficient hierarchical algorithm. Moreover, the hierarchical patterns revealed are not predefined or self-similar hierarchies as common in current hierarchical phononic materials. Thus, our approach offers a flexible and efficient method for the exploration of new regions in the hierarchical design space, extracting minimal effective patterns for inverse design in applications targeting multiple frequency ranges.

چکیده به فارسی (ترجمه ماشینی)

دستکاری ویژگی های پراکنده امواج ارتعاش برای بسیاری از برنامه ها ، به عنوان مثال ، ابزارهای با دقت بالا مفید است.مواد آوایی سلسله مراتبی معماری ، قابلیت تنظیم امواج الاستودینامیکی و ارتعاشات را در محدوده فرکانس های مختلف برانگیخته است.در این مقاله ، سلول های واحد سلسله مراتبی به دست می آیند ، که در آن ویژگی ها در هر مقیاس طول منجر به شکاف باند در محدوده فرکانس هدفمند می شود.رویکرد جدید ما ، “روش الگوی سلسله مراتبی واحد سلسله مراتبی” ، یک رویکرد یادگیری ماشین قابل تفسیر است که الگوهای شکل/توپولوژی واحد جهانی را که مربوط به اهداف باند باند از پیش تعریف شده است ، کشف می کند.یک اثر جداسازی مقیاس مشاهده می شود که در آن هدف شکاف باند در مقیاس درشت بیشتر از ویژگی های مقیاس خوب با وجود نزدیکی مقیاس های طول آنها بی تأثیر است ، بنابراین یک الگوریتم سلسله مراتبی کارآمد را قادر می سازد.علاوه بر این ، الگوهای سلسله مراتبی نشان داده شده سلسله مراتب از پیش تعریف شده یا خودکشی نیستند که در مواد واجی سلسله مراتبی فعلی رایج است.بنابراین ، رویکرد ما یک روش انعطاف پذیر و کارآمد برای اکتشاف مناطق جدید در فضای طراحی سلسله مراتبی ارائه می دهد و حداقل الگوهای مؤثر را برای طراحی معکوس در برنامه هایی که دارای چندین فرکانس هستند ، استخراج می کند.