A physics-informed neural network surrogate for multi-band reflection-loss prediction of carbon-fiber-reinforced polymer / Ti-6Al-4V ELI radar absorbing materials for UAV airframe integration

技术摘要：用于 CFRP/Ti-6Al-4V ELI RAM 多波段反射损耗预测的物理信息神经网络代理模型

问题陈述
无人机（UAV）的雷达吸波材料（RAM）设计通常依赖于解析法或数值求解器，例如传输矩阵法（TMM）、时域有限差分法（FDTD）或矩量法（MoM）。虽然这些方法非常精确，但在涉及多频段、入射角和材料厚度的庞大设计空间探索时，计算负担会变得异常沉重。这对于无人机而言尤为关键，因为必须在低可探测性（隐身）与结构完整性及质量约束之间取得平衡。具体而言，由碳纤维增强聚合物（CFRP）复合材料背衬航空级 Ti-6Al-4V ELI 钛合金构成的系统，兼具承载结构与电磁吸收的双重功能，但优化其厚度以实现多波段性能需要进行快速、重复的评估，而传统的求解器无法高效提供此类评估。

方法论
作者提出了一种物理信息神经网络（PINN）代理模型，用于预测 2–18 GHz 频率范围及 0–80° 横电波（TE）入射角下，金属背衬 CFRP 吸波体的反射损耗（RL）。

1. 数据生成： 使用自定义的 Python 实现的 TMM 生成了一个包含 6,400 个样本的参考数据集。输入参数包括频率 ($f$)、入射角 ($\theta$) 和吸波体厚度 ($d$)。材料系统被建模为一个均匀的磁介质-电介质 CFRP 层，覆盖在代表 Ti-6Al-4V ELI 基底的完美电导体（PEC）之上。
2. 网络架构： 该 PINN 由一个傅里叶特征嵌入层（Fourier feature embedding layer）后接一个六层多层感知器（MLP）组成，每层包含 256 个神经元并采用双曲正切（tanh）激活函数。
   • 谱偏差缓解： 为了解决标准 MLP 倾向于优先学习低频分量的现象（谱偏差），通过使用带有高斯投影矩阵的随机傅里叶特征嵌入对输入空间进行提升。
   • 物理正则化： 损失函数包含了显式的基于物理的约束：
     • 单调性： 强制要求在吸收机制内，反射损耗随频率增加而改善（变得更负）。
     • 角度边界： 针对 TE 极化，强制要求吸收性能随入射角增加而单调退化。
     • 平滑性： 通过 Tikhonov 正则化确保梯度平滑。
3. 训练： 模型使用 Adam 优化器在单线程 CPU 上通过余弦退火学习率调度进行了 600 个 epoch 的训练，总耗时 42 秒。

核心贡献

• 代理模型开发： 创建了一个 PINN 代理模型，在无需 GPU 加速的情况下，实现了相对于解析 TMM 基准的亚分贝级精度。
• 架构创新： 集成了随机傅里叶特征嵌入以及特定的物理正则化项（单调性和角度约束），以确保在全参数空间内实现符合物理规律的预测。
• 多波段优化： 利用训练好的代理模型进行快速、详尽的厚度优化，跨越 S、X 和 Ku 波段以识别四分之一波长共振最优解。
• 结构集成评估： 定量评估了将优化的 CFRP/Ti-6Al-4V ELI 双层结构集成到中高空长航时（MALE）无人机机体上所需的质量增量。

结果

• 精度： 代理模型相对于 TMM 参考值的均方根误差（RMSE）为 0.22 dB，平均绝对误差（MAE）为 0.12 dB。95% 的评估点误差在 0.5 dB 以内。最大的偏差仅出现在掠入射区域（$\theta > 75^\circ$），即吸收性能本身较弱的区域。
• 效率： 训练过程在单核 CPU 上仅需 42 秒。其推理速度比直接进行 TMM 评估快约 50 倍，从而能够进行快速的参数化研究。
• 优化结果： 多波段厚度优化确定了正入射下的以下四分之一波长最优值：
  • S 波段 (2–4 GHz)： 厚度 3.9 mm ($RL = -4.64$ dB)。
  • X 波段 (8–12 GHz)： 厚度 1.9 mm ($RL = -8.93$ dB)。
  • Ku 波段 (12–18 GHz)： 厚度 1.5 mm ($RL = -11.31$ dB)。
• 结构影响： 对于代表性的 MALE 无人机（MQ-9A Reaper），Ku 波段优化的涂层（1.5 mm）增加了约 60.8 kg 的质量，导致 1.3% 的质量增量。在更广泛的 MALE 类机型范围内，该增量在 1.5% 至 8.5% 之间，作者认为这对于雷达吸收型变体是可接受的。

意义与主张
本文将该工作定位为耦合材料与结构无人机设计的计算高效路径。作者声称，尽管特定的单层问题理论上可以通过直接解析优化来解决，但所提出的代理模型为更广泛的工程应用提供了三个显著优势：

1. 可微性： 训练后的网络对所有输入都是完全可微的，允许通过单次反向传播计算解析灵敏度（例如 $\partial RL/\partial \theta$），这对于基于梯度的机体优化循环至关重要。
2. 可扩展性： 该架构旨在扩展到复杂的、解析上难以处理的问题（例如渐变多层吸波体或频率相关色散），在这些问题中，直接数值求解器会过于缓慢。
3. 逆向设计能力： 一旦训练完成，该网络支持逆向查询，即将目标反射损耗规范映射回可行的材料或厚度组合。

本研究验证了“代理优先”的理念，证明了物理信息方法可以在标准硬件上实现工程级精度（误差低于 0.5 dB），为未来整合隐身性能与结构性能的同步多学科设计优化（MDO）框架奠定了基础。