简介一款基于物理信息神经网络的二维声场预测工具聚焦圆形域内亥姆霍兹方程求解面向声学仿真、噪声控制等方向的MATLAB开发者。相比传统数值方法该工具以神经网络逼近声场解有效降低网格依赖和计算成本。资源包内共九个脚本文件压缩后仅五KB包括主程序入口、网络构建、损失函数计算、目标函数定义、参数结构体与向量互转工具、权重与偏置初始化函数构成一套完整可运行的求解流程便于直接运行或按需修改配置。训练采用L-BFGS优化器通过设定声速、频率等物理参数将声学规律嵌入神经网络并最小化预测误差从而获得高精度声场分布。目前已有九十三人学习下载适合具备MATLAB与深度学习基础的研究者与工程师。借助模块化设计用户可灵活调整网络层数、神经元数量和激活函数定制适配不同边界条件与声学场景的预测模型进一步拓展在噪声控制、声学设计等领域的应用。1. 为什么用 PINNs 公式预测圆形域声场能绕开传统方法最头疼的网格问题圆形域里的声场预测放到 PINNs 公式下来做本质是把「声压分布」当成一个偏微分方程的解来逼近而不是当成离散网格上的一组数值。常见做法是把时域波动方程在单频激励下压成亥姆霍兹方程然后让神经网络同时拟合方程残差和边界条件残差。这就是 PINNs 求解偏微分方程的通用套路也是“PINNs 公式用于使用 PINNs 预测圆形域中的声场”这个标题背后真正要做的事。传统 FDM/FEM 在圆形域里绕不过两类麻烦一是圆弧边界处的网格生成二是波数 k 增大后每个波长至少要 8 到 10 个网格单元内存和求解时间成倍上涨。换到 PINNs 之后边界不再是网格线而是采样点域内也不再是网格节点而是随机采样坐标。你要的是整个圆域内连续、可查询的声场不是某个截面上的一堆离散点这套方法就特别合适。它尤其适合两类人一是做声学仿真又要经常换边界激励形态的工程师二是想把深度学习训练流程接到声场计算里的研究者。文章会照着从方程、采样、损失构造到边界权重的完整链路讲每个环节都会给出可以直接改的参数和踩坑记录。2. 把波动方程压到亥姆霍兹方程圆形域声场预测必须先做对的物理前提2.1 单频声场下的复声压与波数 k为什么 PINNs 里要同时输出实部虚部声场预测在大多数工程场景下都是稳态单频问题比如扬声器单频激励、换能器连续振动、消声室里的纯音测量。这时声压随时间做简谐变化写成复数形式后时间因子可以单独提走剩下一个只跟空间坐标有关的复振幅。时域声波方程是∂²p/∂t² c² ∇²p把 p(x, y, t) Re{ p̂(x, y) e^{−jωt} } 代进去ω 2πfc 是声速得到∇²p̂ k²p̂ 0其中 k ω / c是波数代表声场在空间里振荡的快慢。k 越大单位长度内声压正负交替越频繁神经网络需要表达的高频分量就越强。圆形域里这个方程的解天然具有柱对称性常见基底是贝塞尔函数与三角函数的乘积这也意味着 PINNs 要逼近的声场在 r 方向上是振荡衰减的在 θ 方向上是周期的。一个关键问题声压是复数。绝大多数深度学习框架的自动微分是针对实数的sin 和 cos 这些激活函数作用于实数张量。你不能把复声压直接扔给网络然后计算梯度。常见做法是让网络输出两个实数通道分别对应实部 p_r 和虚部 p_i加在一起的平方模才是声压幅值。避坑时我会再展开说现在先把这条当作原则记下网络输出维度是 2不是 1。2.2 圆形域的边界条件Dirichlet、Neumann 与阻抗边界怎么进损失函数圆形域声场常见的边界条件有三类。第一类是声压给定也就是 Dirichlet 边界比如圆边界上某处声压已知写作 p(r, θ)|{rR} p_b(θ)。第二类是法向振速给定也就是 Neumann 边界写作 ∂p/∂r|{rR} jk v_n(θ)这个在扬声器振膜、活塞辐射问题里最常见。第三类是阻抗边界法向声压梯度和声压本身成比例写作 ∂p/∂n jkY pY 是归一化导纳用来表示吸声材料。用 PINNs 做圆形域声场预测时边界条件不是单独用公式算的而是以残差项的形式进入损失函数。比如 Dirichlet 边界损失就是边界采样点上网络输出与 p_b(θ) 的差的平方Neumann 边界损失就是网络输出在边界上的法向导数与 v_n(θ) 的差的平方。法向导数必须用自动微分算。对于圆形域边界上的单位法向量恰好是 (x/R, y/R)所以法向导数是∂p/∂r ∂p/∂x · x/R ∂p/∂y · y/R这个式子看着简单但实现里很坑如果你用直角坐标定义了网络输入 x、y就不能再去把坐标变换成极坐标 r、θ 做插值原因在于网络学到的函数是定义在直角坐标上的你一旦交换输入分布梯度方向就变了。我一般就把直角坐标法向量乘梯度不额外做坐标变换。2.3 网络结构怎么选sin 激活与双通道输出更适合声场声场 PINNs 的网络结构不需要太花哨。我常用的默认配置是一个 4 到 6 层、每层 128 个神经元的全连接网络输入是 (x, y)输出是 (p_r, p_i)。关键是激活函数的选择这个比网络层数影响更大。低频声场kR 小于 5 左右tanh 激活足够用收敛稳定不容易梯度爆炸。但当 kR 超过 8 到 10声压在空间里开始明显振荡tanh 和 ReLU 家族需要很深的层才能表达出足够多的“波峰波谷”训练速度和精度都下滑。这时我一般换 sin 激活或者更稳一点在输入层后面先加一个傅里叶特征映射把 (x, y) 映射成不同频率的 sin/cos 组合再接全连接层。换句话说你提前把“波”的成分注入了特征网络主干的压力就小很多。这里有个容易误解的地方sin 激活不是万能的。sin 层的初始化对权重尺度非常敏感如果初始化不当网络会陷入周期性的局部平缓区梯度几乎为零。我自己的经验是换了 sin 激活后第一轮损失不降也不要急着换回 tanh先检查权重初始化范围是不是在 ±sqrt(6/fan_in) 附近。声场问题里这一点比图像拟合更敏感因为二阶导在残差里占比极高。3. 用 PINNs 预测圆形域声场的完整实现流程采样、损失与训练3.1 圆形域内部与边界采样别再在圆里撒直角坐标网格PINNs 不需要网格但需要采样点。采样质量直接决定训练出来的声场准不准。圆形域第一个坑就是从圆内均匀采样不能用直角坐标下 x 和 y 各自独立取均匀分布。那样做会让圆心附近采样密度远高于靠近圆边的区域而声场往往在圆边附近的变化更剧烈边界附近的采样点一旦稀疏边界条件的约束就会被稀释。正确做法是先在 [0, 1] 上取均匀随机数再开根号乘以半径得到半径 r角度 θ 直接取 [0, 2π] 均匀随机数。原因很简单圆的面积元是 r dr dθ如果 r 直接取均匀分布那么靠近圆心的面积小却分到同样多的点相当于过采样。r 取 sqrt(u) 后面积元里的 r 因子被抵消采样点在圆内才是真正均匀的。import numpy as np import torch R 1.0 n_in 6000 n_bc 800 # 圆内均匀采样r R * sqrt(u) u np.random.rand(n_in) r R * np.sqrt(u) theta_in 2.0 * np.pi * np.random.rand(n_in) x_in (r * np.cos(theta_in)).astype(np.float32) y_in (r * np.sin(theta_in)).astype(np.float32) # 边界采样只需对角度均匀 theta_b 2.0 * np.pi * np.random.rand(n_bc) x_b (R * np.cos(theta_b)).astype(np.float32) y_b (R * np.sin(theta_b)).astype(np.float32)这段代码里的 n_in 和 n_bc 按 6 到 8 比 1 配比。边界采样点数不需要特别多800 到 1200 点已经足够因为边界是一维曲线维度比域内低一维。但边界点的损失权重通常要比域内残差高这个后面讲损失权重时细说。还有一个细节是每个 epoch 都重新采样。训练 3 万步时你每步都用这一批固定点的话网络会把这几个点背下来换一套新点输入立刻露馅。更稳的做法是每个 epoch 内用新随机采样点训练这样残差修正覆盖的是整个圆形域而不是一组固定坐标上的值。我训练时每 1000 步重新采样一次既能保证覆盖又不至于让采样本身消耗太多时间。3.2 PINNs 损失函数怎么写亥姆霍兹残差、边界残差与权重配比损失函数是整个声场预测的核心。你想让网络满足三类约束亥姆霍兹方程残差为 0、边界条件残差为 0、如果有实测数据点还要数据残差为 0。圆形域声场预测里前两项是标配。亥姆霍兹残差在实部虚部分别计算。对每个域内采样点网络输出 p_r 和 p_i然后用自动微分分别求二阶导def helmholtz_residual(model, x, y): x x.clone().requires_grad_(True) y y.clone().requires_grad_(True) pr, pi model(x, y) ones_r torch.ones_like(pr) ones_i torch.ones_like(pi) # 实部一阶导 pr_x torch.autograd.grad(pr, x, grad_outputsones_r, create_graphTrue)[0] pr_y torch.autograd.grad(pr, y, grad_outputsones_r, create_graphTrue)[0] # 实部二阶导 pr_xx torch.autograd.grad(pr_x, x, grad_outputsones_r, create_graphTrue)[0] pr_yy torch.autograd.grad(pr_y, y, grad_outputsones_r, create_graphTrue)[0] # 虚部同理 pi_x torch.autograd.grad(pi, x, grad_outputsones_i, create_graphTrue)[0] pi_y torch.autograd.grad(pi, y, grad_outputsones_i, create_graphTrue)[0] pi_xx torch.autograd.grad(pi_x, x, grad_outputsones_i, create_graphTrue)[0] pi_yy torch.autograd.grad(pi_y, y, grad_outputsones_i, create_graphTrue)[0] # 亥姆霍兹方程残差 k model.k res_r pr_xx pr_yy k * k * pr res_i pi_xx pi_yy k * k * pi loss_r torch.mean(res_r ** 2) loss_i torch.mean(res_i ** 2) return loss_r loss_i这段代码里有两个关键参数。第一个是 create_graphTrue少了它二阶导就没法再反传训练会直接报错或者梯度为 None。第二个是 k它建议做成模型的一个成员属性而不是全局变量因为你可能同一套网络要试多个频点改 k 时直接改模型成员比改全局变量干净得多。边界残差取决于你用哪类边界条件。Dirichlet 边界就把网络输出和给定声压做差Neumann 边界就把法向导数和给定法向振速做差。以 Neumann 为例def neumann_residual(model, x_b, y_b, vn, k, rho, c): x_b x_b.clone().requires_grad_(True) y_b y_b.clone().requires_grad_(True) pr, pi model(x_b, y_b) ones torch.ones_like(pr) pr_x torch.autograd.grad(pr, x_b, grad_outputsones, create_graphTrue)[0] pr_y torch.autograd.grad(pr, y_b, grad_outputsones, create_graphTrue)[0] pi_x torch.autograd.grad(pi, x_b, grad_outputsones, create_graphTrue)[0] pi_y torch.autograd.grad(pi, y_b, grad_outputsones, create_graphTrue)[0] # 圆形边界的单位法向量就是 (x/R, y/R) nx x_b / R ny y_b / R re_dn pr_x * nx pr_y * ny im_dn pi_x * nx pi_y * ny # 目标法向导数j * k * rho * c * vn target_re -k * rho * c * vn.imag target_im k * rho * c * vn.real return torch.mean((re_dn - target_re) ** 2 (im_dn - target_im) ** 2)边界残差里最容易忽略的是 vn 也要给复数。法向振速的实部虚部分别对应声压梯度的虚部实部因为方程里有个 j 因子。新手常犯错误是把 vn 当实数代入结果实部虚部交叉项全乱了训练出来声场虚部一塌糊涂。总损失这样组合total_loss helmholtz_residual(model, x_in, y_in) beta * neumann_residual(...)beta 是边界权重通常取 5 到 20。为什么边界权重必须大于域内残差权重因为亥姆霍兹残差是二阶导的平方数值天然很小可能到 1e-4 量级边界残差是一阶导或零阶量的平方量级差异下如果两者权重相同网络会自动忽略边界约束。这是声场 PINNs 里最常见的翻车原因之一。3.3 训练流程Adam 热身加 L-BFGS 收敛分两段走声场 PINNs 的训练我基本不用单一优化器从头跑到尾。Adam 前期收敛快能快速把声场的大体形态拉出来但后期在边界附近容易抖动L-BFGS 虽然每步更贵但二阶信息让它在一个光滑的损失面上能压到更小的残差。推荐流程是前 2 到 4 万步用 Adam学习率 1e-3 起步每 1 万步降到 5e-4、2e-4然后切到 L-BFGS 做 100 到 200 次迭代。optimizer torch.optim.Adam(model.parameters(), lr1e-3) for step in range(40000): x_in, y_in, x_b, y_b resample(...) optimizer.zero_grad() loss total_loss(model, x_in, y_in, x_b, y_b) loss.backward() optimizer.step() if step % 1000 0: print(step, loss.item()) # 切换到 L-BFGS optimizer_lbfgs torch.optim.LBFGS(model.parameters(), lr0.2, max_iter30) def closure(): optimizer_lbfgs.zero_grad() loss total_loss(model, x_in, y_in, x_b, y_b) loss.backward() return loss optimizer_lbfgs.step(closure)L-BFGS 的 lr 跟 Adam 完全不是一个含义它本质上是一个行搜索步长参数。看到 0.2 不要觉得大实际常用范围就是 0.05 到 0.5。max_iter 是内部迭代次数设太小等于没跑设太大会让单步计算时间暴增。我一般设 30 到 50循环调 closure 两三轮观察边界残差是否继续下降再决定要不要加。有个细节切换到 L-BFGS 前要把模型里所有 requires_grad 状态确认好特别是你把 k 设成模型参数后如果误把 k 也设成 requires_gradL-BFGS 会尝试更新 k导致波数在训练中漂移。k 是物理常数应该用 register_buffer 或普通属性保存不能进参数列表。4. PINNs 声场预测的常见问题与避坑记录从梯度消失到边界泄漏4.1 现象一波数稍大就怎么都训不动残差卡在 1e-2 不下来圆形域声场预测里最普遍的现象就是 kR 超过 10 之后损失降到一定程度就再也不动。看起来网络还在更新但声场云图里全是高频噪点没有任何物理意义。原因在于均匀 MLP 对高频函数的表示能力有限。声压解沿着 θ 方向是 cos(mθ) 这样的振荡项m 越大空间频率越高普通 tanh 网络的谱偏差会优先学习低频分量高频细节被压在损失里体现不出来。真实物理是边界条件在强迫高频振荡但网络梯度被低频成分主导相当于总是给残差做低频修正。解决方式有两个。第一个是输入坐标做傅里叶特征映射把 (x, y) 先变换到一组不同频率的正弦余弦上再喂进网络。常见做法是取一组频点 b构造 [cos(b·x), sin(b·x), cos(b·y), sin(b·y)]频点上限跟 kR 相关。第二个是换 sin 激活网络并且把隐藏层权重初始化压小避免周期函数在初始化时落入饱和区。我一般两种结合kR 在 15 以下只用 sin 激活就够kR 更高就需要傅里叶特征配合。4.2 现象二圆内采样不均匀圆心区域声场出现非物理的“凸起”损失函数看起来正常但把预测结果画出来圆心处的声压分布出现一个明显异常的峰值边界附近一切正常。这个现象的特征是圆心附近点密度极高网络被这些过密样本带着走中心区域的残差被过度优化而靠近圆边界的样本稀疏边界约束被稀释。原因就是采样时用了直角坐标均匀采样或者用了 r 直接取均匀分布的“伪圆形采样”。我在第 3 章已经强调过这里再说一个更隐蔽的细节即使你用了 rsqrt(u)训练时如果每个 epoch 不重新采样圆心那批点的随机性不足网络依旧会在中心形成过拟合。解决的落地点就两条一是 r 必须开根号二是每个 epoch 重新采样。把这两条写成代码里的固定注释能避免之后就忘记检查。4.3 现象三边界条件完全失效声场在圆边界上不满足法向导数训练结束后你把网络输出的法向导数和目标 vn 对比发现偏差达到 30%但总损失已经很低。损失低而边界不准说明边界项在总损失里的权重被 PDE 残差项压住了。前面说过亥姆霍兹残差是二阶导平方数量级天然很小而边界残差是法向导数差平方两者可能差两个数量级以上。如果你总损失写成两个项直接相加网络会把大部分容量去优化数值上更显眼的项即使边界残差重要也爱莫能助。解决方式是给边界残差乘一个 beta 权重并且每 500 步打印一次单独的边界损失不要只看总损失。总损失下降不等于边界损失下降。如果你观察到边界损失在 1e-3 附近波动但总损失还在降那就是 PDE 残差在主导这时候把 beta 从 1 提到 10边界约束才会被真正尊重。还有一种偏工程的做法是把边界采样点复制几份相当于数据增强但副作用是增加每步计算量不如调权重直观。4.4 现象四复数声压被当成实数处理虚部完全学不出来边界条件用复数振速时有人为了省事只把网络输出单通道用实声压近似整个场。在低频、无损耗、驻波比不强的场景里实部结果偶尔还能看但只要相位分布一复杂声场的幅值、相位就全乱了。声场是一个复场幅值只是模长相位携带的信息同样关键。PINNs 要通过方程残差把实部虚部同时约束住一旦你只留一个实数通道亥姆霍兹方程对虚部的约束就没了模型等于在解一个完全不同的问题。解决方式是固定用双通道输出头并在代码里明确注释通道 0 是实部通道 1 是虚部。损失函数永远对两个通道分别计算再相加不要合并成模长再算残差否则相位信息又被丢掉了。4.5 现象五Adam 后期在最优值附近抖动损失曲线像锯齿一样训练到最后阶段总损失在某个值附近上下震荡看着像收敛了但每次验证声场结果都略有不同。声场预测是确定性问题同条件同参数应该得到稳定结果抖动说明优化器还在活跃更新。原因一般是 Adam 的动量积累在后期仍然保持较高步长在窄的损失谷里来回穿越。此时不要继续降 Adam 学习率硬磨直接换成 L-BFGS 做精细收敛。另外L-BFGS 对非平滑激活特别敏感如果你的激活函数是 ReLU声场二阶导在 x0 处不连续L-BFGS 近似 Hession 会失真导致跳来跳去。所以声场 PINNs 里我默认不用 ReLU优先 tanh 或 sin这也是为什么我在第 2 章专门强调激活函数选择。5. 用解析解给 PINNs 声场预测做标定圆形域模态验证与误差度量圆形域声场有一个特别适合做验证的点在硬壁或软壁边界下亥姆霍兹方程有解析模态解。你不需要去外面找商用软件对答案直接用贝塞尔函数的零点和模态表达式就能生成一组“真值”然后对比 PINNs 预测结果。这比随机初始化一组工况然后祈祷训练收敛要踏实得多。对圆形域硬壁 Neumann 边界下的模态解是p_mn(r, θ) J_m(k_mn r) cos(mθ)其中 k_mn 满足边界条件 dJ_m(kR)/dr 0。给定的 m 和 n 对应一组确定的波数前几个不需要查表直接找贝塞尔函数导数的数值零点就行。验证流程是先选定 m、n把边界上的法向振速设成解析模态对应的值然后让 PINNs 预测整个域内声压再把预测值与 J_m(k_mn r) cos(mθ) 对比。验证参数建议值说明m周向阶数0 或 1m0 验证径向特性m1 验证角度分布kR1.8412 附近J_1 导数的第一个零点评价指标域内相对 L2 误差采样点数建议 2000避开训练点采样方式按 sqrt(u) 重新采样与训练采样一致不要用网格点对比时不要在训练过的坐标点上做那样没有泛化意义。我从验证集里取 2000 个重新采样的坐标计算网络输出与解析解的相对误差。这个误差如果能在 1e-2 到 1e-3 之间说明这套“方程残差 边界残差 自动微分”的组合是活的。如果误差偏大先看是实部误差大还是虚部误差大再用脚标输出判断是边界约束失效还是高频表达不足。进阶一点的做法是以后把“频率扫描”做成一个自动化流程固定圆形域半径 R把 k 从 1 扫到 20每档重新训练或做迁移学习。迁移学习时把上一档 k 训练好的权重作为初始值只微调最后一层和残差权重比每次都从零开始快很多。我自己的习惯是同一网络结构下前一档 k 的权重直接初始化下一档损失会从比较低的位置开始降整个扫描过程能缩短一半时间。这个习惯让我在做参数量对比时省了不少时间也希望帮到你。本文还有配套的精品资源点击获取