[發(fā)明專利]一種利用圖卷積神經(jīng)網(wǎng)絡結構加速的結構優(yōu)化設計方法

在審

• 申請?zhí)枺?/td>: 202010554952.3
• 申請日: 2020-06-17
• 公開（公告）號: CN111898730A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設計）人: 鄭帥;范浩杰;栗陽陽;田智強;李寶童
• 申請（專利權）人: 西安交通大學
• 主分類號: G06N3/04
• 分類號: 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: 閔岳峰

本發(fā)明公開了一種利用圖卷積神經(jīng)網(wǎng)絡結構加速的結構優(yōu)化設計方法。該方法能夠解決傳統(tǒng)Ground Structure算法在結構優(yōu)化中計算復雜度高，時間開銷大的問題，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、輸入樣本數(shù)據(jù)集標準化處理；2、使用Ground Structure算法生成(10000組)優(yōu)化拓撲結構圖和標準化輸入圖隨機分布作為訓練集，驗證集和測試集；3、構建圖神經(jīng)網(wǎng)絡模型；4、訓練圖神經(jīng)網(wǎng)絡模型，保存模型和參數(shù)。最后使用網(wǎng)絡模型進行計算，測試和評估，從而實現(xiàn)最終優(yōu)化結構的快速計算，降低了計算成本，提高時間開銷。

技術領域

本發(fā)明屬于人工智能領域，具體涉及是一種利用圖卷積神經(jīng)網(wǎng)絡結構加速的結構優(yōu)化設計方法，在保證生成樣本結果盡量靠近正確樣本的前提下，最大程度降低計算復雜度，提高時間效率。

背景技術

拓撲優(yōu)化的基本思想是根據(jù)給定的負載情況，約束條件和性能指標，在規(guī)定的設計區(qū)域內以材料分布為優(yōu)化對象，尋求到最佳的材料分布方案。根據(jù)研究對象的不同，拓撲優(yōu)化又可分為兩種不同的方法：離散體結構拓撲優(yōu)化方法和連續(xù)體結構拓撲優(yōu)化方法。對于離散體結構拓撲優(yōu)化問題，1964年提出的基結構法是其經(jīng)典解決方案，所謂基結構，是先確定荷載作用點，約束作用點以及其他可能的結點等一系列點的分布，然后將各個點用桿件兩兩連接而成的初始結構。而基結構法就是對基結構的桿件橫截面尺寸采用優(yōu)化算法進行優(yōu)化的過程，即根據(jù)滿應力原理，根據(jù)桿件內力逐步調整桿件截面，使結構所有桿件的應力都趨于指定的應力值。然后去掉結構中桿件截面面積小于消除基準值的桿件，從而消除低效桿件，最終得到滿足目標約束下的最優(yōu)結構形式。但該方法的計算量隨著設計域，網(wǎng)格規(guī)模的不斷增大，呈現(xiàn)指數(shù)級增長的現(xiàn)象，使得獲取最優(yōu)設計結果需要耗費龐大的計算資源，花費很長的時間開銷。

近年來隨著深度學習的不斷發(fā)展，推動了第三撥人工智能熱潮，其在多個領域都取得了驚人的成就。深度學習是機器學習的分支，它試圖使用包含復雜結構或者由多重非線性變換構成的多個處理層對數(shù)據(jù)進行高層抽象的算法。盡管以卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，以下簡稱CNN)為基礎的深度學習算法已經(jīng)在規(guī)則的歐幾里得數(shù)據(jù)中取得了很大的成功，然而對于具有更廣泛數(shù)據(jù)表征能力的非歐幾里得圖結構數(shù)據(jù)，傳統(tǒng)的卷積運算并不能直接應用，由此圖神經(jīng)網(wǎng)絡應運而生。圖神經(jīng)網(wǎng)絡(GNN)是一種連接模型，它通過圖的節(jié)點之間的消息傳遞來捕捉圖的依賴關系，是在圖域結構上運行的基于深度學習的方法。圖神經(jīng)網(wǎng)絡重新定義卷積算子，產(chǎn)生基于頻域卷積和空間域卷積的多種類型圖卷積網(wǎng)絡(GCN)，并出現(xiàn)了許多新的圖神經(jīng)網(wǎng)絡，包括圖注意力網(wǎng)絡(GAN)，圖的自動編碼器(GAE)，圖的生成網(wǎng)絡(GGN)和圖時空網(wǎng)絡(GSTN)等。由于圖神經(jīng)網(wǎng)絡在因果推理方面有巨大的潛力，目前圖神經(jīng)網(wǎng)絡被廣泛應用到計算機視覺，推薦系統(tǒng)，物理系統(tǒng)，交通，生物化學分子預測，知識圖譜等領域，將圖神經(jīng)網(wǎng)絡應用到拓撲優(yōu)化領域也是順應人工智能發(fā)展潮流趨勢，圖神經(jīng)網(wǎng)絡或將成為人工智能的下一個拐點。

依據(jù)離散體結構拓撲優(yōu)化經(jīng)典解決方案，基結構方法(Ground StructureMethod)所產(chǎn)生樣本數(shù)據(jù)類型為非歐幾里得數(shù)據(jù)的特性，使用以CNN結構為基礎的神經(jīng)網(wǎng)絡并不能有效的獲取特征，有價值信息，然而圖神經(jīng)網(wǎng)絡對于非歐氏數(shù)據(jù)的強大學習表征能力，使得利用圖神經(jīng)網(wǎng)絡模型訓練拓撲結構數(shù)據(jù)獲取其特征并進行分類回歸，最終生成結果越來越靠近真實拓撲結構優(yōu)化圖成為可能。獲取約束條件，負載情況等一系列指標輸入到訓練結束的圖神經(jīng)網(wǎng)絡模型中，可在極短的時間內獲取最終優(yōu)化結果圖從而解決了傳統(tǒng)基結構算法計算復雜度高，計算資源消耗量大，計算時間耗時長的問題。

發(fā)明內容

為了克服上述拓撲優(yōu)化算法的缺點，本發(fā)明提供了一種利用圖卷積神經(jīng)網(wǎng)絡加速的結構優(yōu)化設計方法，該方法大幅度降低計算復雜度，減少計算開銷，提供時間效率。

本發(fā)明采用如下技術方案來實現(xiàn)的：

一種利用圖卷積神經(jīng)網(wǎng)絡結構加速的結構優(yōu)化設計方法，包括以下步驟：