DeepF-fNet: a physics-informed neural network for vibration isolation optimization

Structural optimization is essential for designing safe, efficient, and durable components with minimal material usage. Traditional methods for vibration control often rely on active systems to mitigate unpredictable vibrations, which can lead to resonance and potential structural failure. However, these methods face significant challenges when addressing the nonlinear inverse eigenvalue problems required for optimizing structures subjected to a wide range of frequencies. As a result, no existing approach has effectively addressed the need for real-time vibration suppression within this context, particularly in high-performance environments such as automotive NVH (Noise, Vibration and Harshness), where computational efficiency is crucial. This study introduces DeepF-fNet, a novel neural network framework designed to replace traditional active systems in vibration-based structural optimization. Leveraging DeepONets within the context of physics-informed neural networks (PINN), DeepF-fNet integrates both data and the governing physical laws. This enables rapid identification of optimal parameters to suppress critical vibrations at specific frequencies, offering a more efficient and real-time alternative to conventional methods. The proposed framework is validated through a case study involving a locally resonant metamaterial used to isolate structures from user-defined frequency ranges. The results demonstrate that DeepF-fNet outperforms traditional genetic algorithms in terms of computational speed while achieving comparable results, making it a promising tool for vibration-sensitive applications. By replacing active systems with machine learning techniques, DeepF-fNet paves the way for more efficient and cost-effective structural optimization in real-world scenarios.

L'ottimizzazione strutturale è essenziale per progettare componenti sicuri, efficienti e durevoli con un uso minimo di materiale. I metodi tradizionali per il controllo delle vibrazioni si affidano spesso a sistemi attivi per mitigare vibrazioni imprevedibili, che possono portare a risonanza e potenziali guasti strutturali. Tuttavia, questi metodi affrontano notevoli difficoltà nel risolvere i problemi inversi di autovalori non lineari necessari per ottimizzare strutture soggette a una vasta gamma di frequenze. Di conseguenza, nessun approccio esistente ha affrontato efficacemente la necessità di una soppressione delle vibrazioni in tempo reale in questo contesto, specialmente in ambienti ad alte prestazioni come il settore NVH (Noise, Vibration and Harshness) automobilistico, dove l'efficienza computazionale è cruciale. Questo studio introduce DeepF-fNet, un nuovo framework basato su reti neurali progettato per sostituire i sistemi attivi tradizionali nell'ottimizzazione strutturale basata sulle vibrazioni. Sfruttando le DeepONets nel contesto delle reti neurali informate dalla fisica (PINN), DeepF-fNet integra sia i dati che le leggi fisiche che governano il problema. Ciò consente di identificare rapidamente i parametri ottimali per sopprimere le vibrazioni critiche a frequenze specifiche, offrendo un'alternativa più efficiente e in tempo reale rispetto ai metodi convenzionali. Il framework proposto è stato validato attraverso un caso di studio che coinvolge un metamateriale risonante localmente, utilizzato per isolare strutture da intervalli di frequenza definiti dall'utente. I risultati dimostrano che DeepF-fNet supera gli algoritmi genetici tradizionali in termini di velocità computazionale, ottenendo al contempo risultati comparabili, rendendolo uno strumento promettente per applicazioni sensibili alle vibrazioni. Sostituendo i sistemi attivi con tecniche di machine learning, DeepF-fNet apre la strada a un'ottimizzazione strutturale più efficiente e conveniente in scenari reali.