[發(fā)明專利]一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010430938.2
• 申請(qǐng)日: 2020-05-20
• 公開（公告）號(hào): CN111723420A
• 公開（公告）日: 2020-09-29
• 發(fā)明（設(shè)計(jì)）人: 張一權(quán);王達(dá)磊;陳艾榮;郭躍;劉浩然;項(xiàng)程
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G06F30/13
• 分類號(hào): G06F30/13;G06F30/18;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 楊宏泰

1.一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，包括以下步驟：

1)生成訓(xùn)練數(shù)據(jù)；

2)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理；

3)構(gòu)建深度學(xué)習(xí)模型進(jìn)行訓(xùn)練；

4)采用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行優(yōu)化，得到輸出結(jié)果，即拓?fù)鋬?yōu)化結(jié)構(gòu)。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的步驟1)中，訓(xùn)練數(shù)據(jù)包括設(shè)計(jì)域尺寸、邊界條件、體積分?jǐn)?shù)、懲罰因子、過(guò)濾半徑、荷載數(shù)量和荷載方向。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的步驟2)中，預(yù)處理后作為深度學(xué)習(xí)模型的輸入張量為一個(gè)6通道的輸入張量。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，該6通道的輸入張量具體為：

節(jié)點(diǎn)X、Y方向的位移作為輸入張量的第一個(gè)和第二個(gè)通道；

節(jié)點(diǎn)的正應(yīng)變?chǔ)?Sub>x、ε_y和切應(yīng)變?chǔ)?Sub>xy作為輸入張量的第三個(gè)、第四個(gè)和第五個(gè)通道；

輸入張量的最后一個(gè)通道的所有數(shù)字全部相同且均等于體積分?jǐn)?shù)。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的步驟3)中，深度學(xué)習(xí)模型采用U-Net的網(wǎng)絡(luò)形式。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的深度學(xué)習(xí)模型包括：

編碼部分：包括三個(gè)連續(xù)的編碼塊，每個(gè)編碼塊內(nèi)均包含2個(gè)卷積層、2個(gè)批量正則化層和1個(gè)池化層；

解碼部分：由多個(gè)解碼塊構(gòu)成，每個(gè)解碼塊均包含連接層、反卷積層、批量正則化層和卷積層。

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的編碼部分中，最后一個(gè)編碼塊的輸出在經(jīng)歷兩個(gè)額外不同大小卷積核的卷積后進(jìn)入解碼部分。

8.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，所述的解碼部分中，每個(gè)解碼塊的輸入均由兩部分組成：一部分來(lái)自于前一卷積層，另一部分來(lái)自于對(duì)應(yīng)的編碼塊。

9.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，為了使網(wǎng)絡(luò)輸出與二維結(jié)構(gòu)對(duì)應(yīng)，網(wǎng)絡(luò)的最后一層輸出采用一個(gè)1通道40*80的張量，最后一次卷積的激活函數(shù)采用Sigmoid函數(shù)，以保證結(jié)果對(duì)應(yīng)每一單元最終是否保留的概率。

10.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的結(jié)構(gòu)拓?fù)鋬?yōu)化方法，其特征在于，深度學(xué)習(xí)模型的訓(xùn)練過(guò)程使用的超參數(shù)具體為：

訓(xùn)練框架：Keras；

L2正則化系數(shù)：1e-5；

初始學(xué)習(xí)率：0.001；

學(xué)習(xí)率衰減系數(shù)：0.1；

學(xué)習(xí)率衰減條件：連續(xù)10輪訓(xùn)練驗(yàn)證集損失不下降；

損失函數(shù)：交叉熵；

優(yōu)化算法：Adam。