A fast topology optimization design method for cooling channel of radiator parts based on depth learning is made. The typical radiator parts are used as the model, and the traditional orthogonal orthogonal punishing material density method is used to complete the optimization iteration. The density distribution map and density gradient distribution diagram of each superconducting high heat conduction material are output as the input of the depth learning algorithm. And the training set, the depth neural network after the depth training is constructed, and the optimized radiator parts are treated by the traditional orthogonal anisotropic punishing material density method. The initial optimized high thermal conductivity material density distribution map and the density gradient distribution map are used as the training starting point for the depth learning calculation method, and input into the premenstrual step depth. The depth neural network after the degree training is studied and trained to obtain and output the density distribution map of the highly conductive material after the final optimization, and to construct the topology of the cooling channel structure. By introducing the deep learning algorithm, the invention improves the speed and efficiency of optimizing the design of the cooling channel structure topology of the radiator.
【技术实现步骤摘要】
基于深度学习的散热器件冷却通道快速拓扑优化设计方法
本专利技术涉及一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法。
技术介绍
电子元器件正在加快朝着超大功率化、高度集成化、大规模化和微小型化发展,随之而来的是越来越严峻的散热、冷却问题;而传统所采用的强制对流换热方式已无法满足超大功率电子元器件的散热、冷却需求;但通过在普通导热材料制成的散热器件表面设计和布置高导热材料,构筑高效散热、冷却通道,达到对热量的高效传输,可以有效解决目前面临的散热、冷却问题。同时,高导热材料的合理设计和布置,一是可以提高导热效率,二是可以减少高导热材料的使用率,节约成本。而当前电子元器件更新换代的速度越来越快,如何快速、高效地优化设计散热器件冷却通道结构显得至关重要。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法,将深度学习引入到散热器件冷却通道结构的拓扑优化设计中,通过对传统各向正交惩罚材料密度方法(SolidIsotropicMaterialwithPenalization,SIMP)初步优化得到的冷却通道拓扑构型进行深度学习和训练,快速获得最终的冷却通道拓扑构型,提高散热器件冷却通道结构拓扑优化设计的速度。为达到以上目的,本专利技术采取的技术方案为:一种散热器件冷却通道结构快速拓扑优化设计方法,包含以下步骤:1)选取已知散热器件作为范本,建立数值分析模型,划分有限元网格,施加边界条件和约束条件;2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析,获得并输出优化过程中每一迭代步的高导热材料密度分布图和密 ...
【技术保护点】
1.基于深度学习的散热器件冷却通道快速拓扑优化设计方法,其特征在于,包含以下步骤:1)选取已知散热器件作为范本,建立数值分析模型,划分有限元网格,施加边界条件和约束条件;2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析,获得并输出优化过程中每一迭代步的高导热材料密度分布图和密度梯度分布图;3)将步骤2)获得的每一步迭代的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练集,进行深度学习和训练,获得训练后的深度神经网络;4)建立待优化散热器件的数值分析模型,划分有限元网格,施加边界条件和约束条件;5)采用各向正交惩罚材料密度方法对待优化散热器件进行初步优化分析,经若干迭代步后随即终止迭代,获得并输出待优化散热器件的高导热材料的密度分布图和密度梯度分布图;6)将步骤5)获得的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练起点,输入到步骤3)获得的经训练后的深度神经网络;7)开展深度学习与训练,获得并输出训练优化后的待优化散热器件的高导热材料的密度分布图和密度梯度分布图;8)根据步骤7)获得的高导热材料密度分布图构建冷却通道结构的拓扑构 ...
【技术特征摘要】
1.基于深度学习的散热器件冷却通道快速拓扑优化设计方法,其特征在于,包含以下步骤:1)选取已知散热器件作为范本,建立数值分析模型,划分有限元网格,施加边界条件和约束条件;2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析,获得并输出优化过程中每一迭代步的高导热材料密度分布图和密度梯度分布图;3)将步骤2)获得的每一步迭代的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练集,进行深度学习和训练,获得训练后的深度神经网络;4)建立待优化散热器件的数值分析模型,划分有限元网格,施加边界条件和约束条件;5)采用各向正交惩罚材料密度方法对待优化散热器件进行初步优化分析,经若干迭代步后随即终止迭代,获得并输出待优化散热器件的高导热材料的密度分布图和密度梯度分布图;6)将步骤5)获得的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练起点,输入到步骤3)获得的经训练后的深度神经网络;7)开展深度学习与训练,获得并输出训练优化后的待优化散热器件的高导热材料的密度分布图和密度梯度分布图;8)根据步骤7)获得的高导热材料密度分布图构建冷却通道结构的拓扑构型,完成散热器件冷却通道结构的快速拓扑优化设计。2.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法,其特征在于,步骤1)的施加的边界条件具体包含以下内容:1)生热源的位置、形式和数值大小信息;其中,形式为温度或热流密度;2)已知散热器件边界处的温度或热流密度信息;3)热沉的位置、形式和数值大小信息;其中,形式为温度或热流密度。3.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法,其特征在于,步骤4)的施加的边界条件具体包含以下内容:1)生热源的位置、形式和数值大小信息;其中,形式为温度或热流密度;2)待优化散热器件边界处的温度或热流密度信息;3)热沉的位置、形式和数值大小信息;其中,形式为温度或热流密度。4.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法,其特征在于,步骤1)和步骤4)中的约束条件具体包含以下内容:1)...
【专利技术属性】
技术研发人员:林起崟,刘正,李宝童,洪军,王继红,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。