An Analytical-Prior Framework for Data-Efficient Prediction of Sound-Reduction Frequencies in Rectangular Side-Branch Helmholtz Resonators

📄 arXiv: 2608.16873v1 📥 PDF

作者: Jiaming Li

分类: cs.LG

发布日期: 2026-08-17

备注: 13 pages, 5 figures, 1 table

💡 一句话要点

提出分析先验框架以提高赫尔姆霍兹共鸣器的声减频率预测效率

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 赫尔姆霍兹共鸣器 声学预测 数据效率 分析先验 有限元仿真 机器学习 模型校准

📋 核心要点

  1. 现有方法在生成高保真仿真数据时成本高昂，且在数据稀缺的情况下，纯数据驱动模型的可靠性降低。
  2. 论文提出了一种分析先验学习框架，通过重用低成本的分析模型来提高数据效率，分为两条互补路径。
  3. 实验结果表明，分析先验预训练显著降低了预测误差，且在不同训练预算下均表现出更高的数据效率。

📝 摘要（中文）

高保真有限元仿真能够为侧支共鸣器提供准确的数值预测，但生成大规模仿真数据集成本高昂，且在仿真标记数据稀缺时，纯数据驱动的替代模型可能变得不可靠。本研究开发了一种分析先验学习框架，利用低成本的分析模型在有限的高保真仿真预算下提高数据效率。该框架在86个仿真标记几何体和8,998个非重叠的仅分析几何体上进行了评估，结果显示分析先验信息能够显著改善高保真预测的准确性。

🔬 方法详解

问题定义：本研究旨在解决在有限高保真仿真预算下，如何有效预测侧支赫尔姆霍兹共鸣器的声减频率。现有方法依赖大量仿真数据，成本高且在数据稀缺时表现不佳。

核心思路：论文的核心思路是开发一种分析先验学习框架，利用低成本的分析模型来提升数据效率。该框架通过两种方式实现：一是将分析模型作为基线，二是将分析映射提炼为学习先验并与有限的仿真数据进行校准。

技术框架：整体架构包括两个主要模块：分析模型和仿真数据。首先，分析模型提供基线预测；其次，仿真数据用于学习分析与仿真之间的差异，或用于校准提炼的先验模型。

关键创新：最重要的技术创新在于引入分析先验信息，显著提高了在仿真数据稀缺情况下的高保真预测能力。这一方法与传统的纯数据驱动方法本质上不同，后者无法有效利用分析模型的信息。

关键设计：在实验中，采用了支持向量回归（SVR）和多层感知器（MLP）等模型，并通过分析先验预训练和全模型微调等策略优化了模型性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，分析模型的平均绝对误差（MAE）为1.333 Hz，而直接支持向量回归（SVR）为3.375 Hz，残差SVR降低至0.426 Hz。通过分析先验预训练，MLP的误差从1.109 Hz降低至0.556 Hz，完全微调后进一步降低至0.371 Hz，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括声学设计、噪声控制和工程声学等。通过提高声减频率的预测效率，能够在实际工程中更快速地进行设计优化，降低成本，并提高产品的市场竞争力。未来，该框架还可以扩展到其他类型的共鸣器或声学设备的设计与优化中。

📄 摘要（原文）

High-fidelity finite-element simulations can provide accurate numerical predictions for side-branch resonators, but large simulation datasets are expensive to generate and purely data-driven surrogates may become unreliable when simulation-labelled data are scarce. This study develops an analytical-prior learning framework that reuses a low-cost analytical model to improve data efficiency under limited high-fidelity simulation budgets. Two complementary routes are considered. When the analytical model remains available at inference, it is retained as an explicit baseline and the simulation data are used to learn only the analytical-to-simulation discrepancy. When a self-contained predictor is required, the analytical mapping is first distilled from abundant low-cost evaluations into a learned prior and then calibrated with the limited simulation data. The framework is evaluated on rectangular side-branch Helmholtz resonators using 86 simulation-labelled geometries and 8,998 non-overlapping analytical-only geometries. The analytical model achieved a mean absolute error (MAE) of 1.333 Hz. Direct support vector regression (SVR) achieved 3.375 Hz, while residual SVR reduced the MAE to 0.426 Hz. A direct multilayer perceptron (MLP) achieved 1.109 Hz, whereas analytical-prior pretraining reduced the error to 0.556 Hz with frozen-prior residual adaptation and 0.371 Hz with full-model fine-tuning. Across training budgets of 20 to 70 simulation-labelled cases, both analytical correction and analytical-prior pretraining consistently improved data efficiency relative to direct learning. These results show that analytical prior information can substantially improve high-fidelity prediction when simulation data are scarce, with explicit correction and prior distillation serving complementary deployment needs.