[發明專利]一種基于深度學習的結構拓撲優化方法

在審

• 申請號: 202010430938.2
• 申請日: 2020-05-20
• 公開（公告）號: CN111723420A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 張一權;王達磊;陳艾榮;郭躍;劉浩然;項程
• 申請（專利權）人: 同濟大學
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/18;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 楊宏泰

本發明涉及一種基于深度學習的結構拓撲優化方法，包括以下步驟：1)生成訓練數據；2)對訓練數據進行預處理；3)構建深度學習模型進行訓練；4)采用訓練好的深度學習模型進行優化，得到輸出結果，即拓撲優化結構。與現有技術相比，本發明具有提高計算效率，大大縮短時間，魯棒性泛化性好，實用性強等優點。

技術領域

本發明涉及建筑橋梁等結構優化設計領域，尤其是涉及一種基于深度學習的結構拓撲優化方法。

背景技術

人們一直在追尋新穎的設計來提高生產效率，在現代社會，高效的設計方法仍然是一個前景廣闊。用最少的材料(成本)來滿足使用性能的要求一直是結構設計師們的設計目標，較為傳統的方法是基于經驗和直覺先做出多種初始設計，然后對每一種方案做計算和分析，并根據結果來決定最終方案，這種方法有很明顯的局限性：

首先，初始方案的質量嚴重依賴設計師的水平；

其次，整個過程需要花費大量的時間和人力成本，并且最優方案可能并不存在于初始方案的集合中。

鑒于傳統方法的種種不足，國內外學者開始嘗試尋找一種能夠基于給定的設計目標自動找出最優設計方案的方法，隨著近些年計算機性能的提高以及數學領域優化理論的深入研究，結構拓撲優化技術迅速發展，并在土木、汽車、機械等領域得到了較為廣泛的應用。

拓撲優化能夠在無初始方案的情況下，基于給定的荷載和邊界條件尋找到最符合目標的設計方案，這種方法的優化結果在設計域中可以擁有任何形狀、尺寸和拓撲形式，因此具有較高概率找到結構材料利用率最高的結構形式，此外，該方法無需初始設計方案，擺脫了對設計師水平和經驗的依賴。

目前已經研究出了許多的拓撲優化方法，可以將它們主要歸為以下四類：基于密度的方法、水平集法、進化方法和智能算法。基于密度的方法是目前拓撲優化領域最受歡迎的方法，該方法經過了嚴謹的數學驗證，擁有非常好的穩定性，但是該方法也有其局限性，一方面該方法優化出的最終結果邊界上往往包含中間密度單元，需要對結果進行后處理以滿足要求；另一方面，該方法得到的結果是局部最優解，而不能保證是全局最優解，水平集法通過更高一維隱函數的邊界或等值線來確定結構材料的分部，能夠在結構的邊界可以創建清晰的界面，而不會出現模糊的現象但由于在數學上的復雜度較高，因此在優化過程中要花費大量的計算時間，進化方法是基于生物進化理論的一種結構優化方法，通過在優化過程中不斷刪除傳力效率最差的一些單元，直到達到預期的體積分數為止，然而該方法在優化初期容易誤刪某些單元后無法恢復，最終落入局部最優解。

隨著計算機科學的發展，智能算法開始被應用于拓撲優化領域，這些算法大多采用仿生學的原理，具有搜索全局最優解的能力，不過相比于其他算法，計算成本過于龐大，無法用來解決實際的工程問題，近幾年，由于機器學習算法和計算機芯片(CPU及GPU)計算能力的蓬勃發展，機器學習算法開始逐漸被用來解決拓撲優化問題。目前，這些方法中花費大量時間訓練的網絡模型泛化能力都相對較差，只能適用于特定的初始條件，不管是采用何種拓撲優化方法，計算效率均是其共同面臨的一個問題，尤其是針對大型結構的優化問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于深度學習的結構拓撲優化方法。

本發明的目的可以通過以下技術方案來實現：

一種基于深度學習的結構拓撲優化方法，包括以下步驟：

1)生成訓練數據；

2)對訓練數據進行預處理；

3)構建深度學習模型進行訓練；

4)采用訓練好的深度學習模型進行優化，得到輸出結果，即拓撲優化結構。

所述的步驟1)中，訓練數據包括設計域尺寸、邊界條件、體積分數、懲罰因子、過濾半徑、荷載數量和荷載方向。