[發明專利]一種利用生成對抗網絡加速的結構優化設計方法

有效

• 申請號: 201811637907.3
• 申請日: 2018-12-29
• 公開（公告）號: CN109783910B
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 鄭帥;何真真;黃從甲;田智強;李寶童
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/18;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

本發明公開了一種應用生成對抗網絡來加速結構優化設計的方法。該加速方法能夠解決傳統SIMP算法在結構優化設計中計算復雜度高的問題，該方法包括模型的獲取和使用兩個部分，其中模型獲取的主要流程為：1、預先使用SIMP法生成少量(100組)優化過程圖作為訓練集和測試集；2、利用數據增強技術對數據集進行擴充；3、使用編碼器?解碼器構建生成器；4、使用深度卷積網絡構建判別器；5、使用變形的pix2pix模型來訓練生成器?判別器并展示訓練結果和保存最終訓練模型。使用最終模型進行結構優化設計時，首先通過SIMP法計算少量迭代步驟，將迭代結果輸入最終模型進行計算，從而實現最終優化結構的快速計算。

技術領域

本發明屬于人工智能領域，具體涉及一種應用生成對抗網絡加速的結構優化設計技術，在保證生成結果正確的前提下，最大程度降低計算復雜度的方法。

背景技術

為了在給定的負載情況、約束條件和性能指標下設計出高效的材料結構分布，國內外的研究者應用拓撲優化方法來進行優化設計；拓撲優化的基本思想是將尋求結構的最優拓撲問題轉化為在給定的設計區域內尋求最優材料的分布問題，目前拓撲優化方法主要有SIMP算法、ESO算法、水平集法等，這些方法的計算量取決于網格的規模，隨著網格的不斷增大，計算量成倍增加，使得獲取最優設計結果需要花費很長的時間。

隨著深度學習的不斷發展，其在各個領域的作用也越來越大；深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據；通過使用神經網絡模型，使得利用前期優化過程圖生成最終結果圖變為可能。

在利用傳統的SIMP算法進行結構優化設計時，將優化的中間過程圖輸入到已經訓練好的神經網絡模型中，可在幾秒內獲取最終優化結果圖，從而解決了傳統拓撲優化算法計算復雜度高、耗時長的問題。生成對抗網絡是一種深度學習模型，是近年來無監督學習中最具前景的方法之一；相比于其他生成式模型，生成對抗網絡具有產生的樣本更加清晰、無需利用馬爾科夫鏈反復采樣，無需再學習中進行推斷等優點，因此這里的模型我們選用生成對抗網絡。

發明內容

為克服上述拓撲優化算法的缺點，本發明提供了一種應用生成對抗網絡加速的結構優化設計方法，大幅度降低計算復雜度，減少計算開銷。

一種應用生成對抗網絡加速的結構優化設計方法，包括以下步驟：

第一步、使用SIMP算法準備數據

在所有拓撲優化方法中選用傳統的SIMP算法來生成少量優化過程圖，并按照9:1的比例將生成的過程圖數據分為訓練集和測試集；

第二步、利用數據增強技術對數據集進行擴充

隨機獲取數據集中的數據，并進行以下操作：1)產生隨機數A，若其大于0.5則進行上下翻轉；2)產生隨機數B，若其大于0.5則進行左右翻轉；3)產生隨機數C，若其大于0.5則進行順時針旋轉；

第三步、使用編碼器-解碼器構建生成器

自動編碼器算法將神經網絡的隱含層看成是一個編碼器和解碼器，使用編碼器學習輸入數據的隱含特征，解碼器可使用學習到的新特征重構出原始輸入數據；具體操作如下：取出數據集中的數據并進行第二步中的操作，將處理后得到的數據喂入編碼器網絡進行特征提取并完成圖像壓縮任務；將編碼器網絡輸出的feature map再送入解碼器網絡，可將被壓縮的圖像進行放大，在此過程中，將編碼器和解碼器過程中具有相同尺寸的featuremap連接到解碼器中，以便充分利用編碼器網絡中的結構信息，保持特征的不變性，達到更好的重建效果；

第四步、使用深度卷積網絡構建判別器

將一張生成圖片或者真實的最終結果圖像作為判別器的輸入；經過多層帶有步長的卷積層網絡進行特征提取后，最終得到和標簽大小相同的、內參僅為0或1的標簽數據；