基于深度学习的电磁超材料设计方法及性能验证

针对电磁超结构设计参数众多、性能与效率难以兼顾的问题,文章提出一种融合残差全连接神经网络(RFCN)与改进遗传算法(IGA)的联合优化框架:首先,构建RFCN模型以高效预测阶梯锥点阵结构在2~40 GHz频段的反射率曲线(测试集RMSE=0.38);进而引入灾变变异、大幅度变异和精确筛优模块的IGA进行参数全局寻优。仿真与实测反射率结果表明:收敛代数由36代减至14代,优化效率显著提升;优化后的结构在3.4~36.3 GHz及39~40 GHz频段反射率低于-10 dB,有效吸波带宽分别为91.2%(仿真)与89.3%(实测),并在3.79 GHz、15.5 GHz、35.3 GHz处呈现显著吸收峰(最低反射率-41.77 dB)。该方法突破了传统设计依赖电磁学原理和经验的局限,为电磁超材料设计提供了高效精准的新途径,彰显了其在航天器隐身与电磁兼容设计中的应用潜力。