The invention discloses a method for accelerating structural optimization design by applying generation of countermeasure network. This acceleration method can solve the problem of high computational complexity of traditional SIMP algorithm in structural optimization design. This method includes two parts: model acquisition and use. The main process of model acquisition is: 1. Pre-use SIMP method to generate a small number of (100) optimization process diagrams as training and test sets; 2. Use data enhancement technology to expand data sets; 3. Use coding technology to obtain data sets. Build generator by decoder; 4. Build discriminator by deep convolution network; 5. Use deformed pix 2 pix model to train generator discriminator and display training results and save the final training model. When the final model is used for structural optimization design, a few iteration steps are calculated by SIMP method, and the iteration results are input into the final model for calculation, so as to realize the fast calculation of the final optimized structure.
【技术实现步骤摘要】
一种利用生成对抗网络加速的结构优化设计方法
本专利技术属于人工智能领域,具体涉及一种应用生成对抗网络加速的结构优化设计技术,在保证生成结果正确的前提下,最大程度降低计算复杂度的方法。
技术介绍
为了在给定的负载情况、约束条件和性能指标下设计出高效的材料结构分布,国内外的研究者应用拓扑优化方法来进行优化设计;拓扑优化的基本思想是将寻求结构的最优拓扑问题转化为在给定的设计区域内寻求最优材料的分布问题,目前拓扑优化方法主要有SIMP算法、ESO算法、水平集法等,这些方法的计算量取决于网格的规模,随着网格的不断增大,计算量成倍增加,使得获取最优设计结果需要花费很长的时间。随着深度学习的不断发展,其在各个领域的作用也越来越大;深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据;通过使用神经网络模型,使得利用前期优化过程图生成最终结果图变为可能。在利用传统的SIMP算法进行结构优化设计时,将优化的中间过程图输入到已经训练好的神经网络模型中,可在几秒内获取最终优化结果图,从而解决了传统拓扑优化算法计算复杂度高、耗时长的问题。生成对抗网络是一种深度学习模型,是近年来无监督学习中最具前景的方法之一;相比于其他生成式模型,生成对抗网络具有产生的样本更加清晰、无需利用马尔科夫链反复采样,无需再学习中进行推断等优点,因此这里的模型我们选用生成对抗网络。
技术实现思路
为克服上述拓扑优化算法的缺点,本专利技术提供了一种应用生成对抗网络加速的结构优化设计方法,大幅度降低计算复杂度,减少计算开销。一种应用生成对抗网络加速的结构 ...
【技术保护点】
1.一种利用生成对抗网络加速的结构优化设计方法,其特征在于,包括以下步骤:第一步、使用SIMP算法准备数据在所有拓扑优化方法中选用传统的SIMP算法来生成少量优化过程图,并按照9:1的比例将生成的过程图数据分为训练集和测试集;第二步、利用数据增强技术对数据集进行扩充随机获取数据集中的数据,并进行以下操作:1)产生随机数A,若其大于0.5则进行上下翻转;2)产生随机数B,若其大于0.5则进行左右翻转;3)产生随机数C,若其大于0.5则进行顺时针旋转;第三步、使用编码器‑解码器构建生成器自动编码器算法将神经网络的隐含层看成是一个编码器和解码器,使用编码器学习输入数据的隐含特征,解码器可使用学习到的新特征重构出原始输入数据;第四步、使用深度卷积网络构建判别器将一张生成图片或者真实的最终结果图像作为判别器的输入;经过多层带有步长的卷积层网络进行特征提取后,最终得到和标签大小相同的、内参仅为0或1的标签数据;第五步、使用变形的pix2pix模型进行训练生成器网络和判别器网络分别定义完成后,需要将两者连接起来循环训练;先固定生成器训练判别器,使用均方误差(MSE)方法计算损失值,该损失值来自两部分 ...
【技术特征摘要】
1.一种利用生成对抗网络加速的结构优化设计方法,其特征在于,包括以下步骤:第一步、使用SIMP算法准备数据在所有拓扑优化方法中选用传统的SIMP算法来生成少量优化过程图,并按照9:1的比例将生成的过程图数据分为训练集和测试集;第二步、利用数据增强技术对数据集进行扩充随机获取数据集中的数据,并进行以下操作:1)产生随机数A,若其大于0.5则进行上下翻转;2)产生随机数B,若其大于0.5则进行左右翻转;3)产生随机数C,若其大于0.5则进行顺时针旋转;第三步、使用编码器-解码器构建生成器自动编码器算法将神经网络的隐含层看成是一个编码器和解码器,使用编码器学习输入数据的隐含特征,解码器可使用学习到的新特征重构出原始输入数据;第四步、使用深度卷积网络构建判别器将一张生成图片或者真实的最终结果图像作为判别器的输入;经过多层带有步长的卷积层网络进行特征提取后,最终得到和标签大小相同的、内参仅为0或1的标签数据;第五步、使用变形的pix2pix模型进行训练生成器网络和判别器网络分别定义完成后,需要将两者连接起来循环训练;先固定生成器训练判别器,使用均方误差(MSE)方法计算损失值,该损失值来自两部分,一部分为输入真实结果图得到的输出值与全1标签之间的均方误差,另一部分为输入生成结果图得到的输出值与全0标签之间的均方误差,向着判别器总损失下降的方向进行训练以达到训练判别器的目的;再固定判别器训练生成器,使用均方...
【专利技术属性】
技术研发人员:郑帅,何真真,黄从甲,田智强,李宝童,
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。