一种基于人工智能技术的实时拓扑优化生成设计方法技术

本发明专利技术涉及一种基于人工智能技术的实时拓扑优化生成设计方法，包括(1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；(2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结构，并对其进行编码；(3)将步骤(1)中的输入条件标签x与步骤(2)中的输出结果标签一一对应后存为训练数据集，供后续的神经网络模型训练；(4)选取合适的神经网络模型，将条件标签x作为输入，将真实拓扑优化结果y作为期望结果，对神经网络模型进行训练；(5)将实际设计中所需施加的设计条件按照步骤(1)中的编码格式进行编码，将其输入到训练好的神经网络模型中即可实时生成拓扑优化结果。本发明专利技术能够生成和准则法结果非常近似的高精度拓扑优化结果，且可以实现实时生成，大幅缩短拓扑优化所需的计算时间。大幅缩短拓扑优化所需的计算时间。大幅缩短拓扑优化所需的计算时间。

【技术实现步骤摘要】
一种基于人工智能技术的实时拓扑优化生成设计方法


[0001]本专利技术涉及拓扑优化
，尤其涉及一种基于人工智能技术的实时拓扑优化生成设计方法。

技术介绍

[0002]目前，随着装备轻量化和增材制造行业的迅猛发展，拓扑优化越来越受到人们的重视。结构拓扑优化的目的是为了在给定的设计域内，找到最为合适的材料分布，使优化结构具有一些特殊的性能。然而，传统的拓扑优化方法存在一个固有的缺陷：“维数诅咒”，即当设计的参数变量和迭代步骤增加时，计算机所需要的时间和内存将呈指数增长，所有的拓扑优化算法均面临一个难题，即如何有效提高计算效率。
[0003]近些年来人工智能技术得到了飞速的发展并在图像识别、自然语言处理等不同领域得到了广泛应用。人工智能技术的强大之处在于其能够利用神经网络模型从数据中学习到某些特征，训练好的模型在再次面对相似的数据时可以做出分类判断或者实现某些函数拟合。将拓扑优化与人工智能技术相结合，通过预先训练适用于拓扑优化任务的神经网络模型的方式，可以大大降低拓扑优化所耗费的时间，可以实现实时拓扑优化生成设计。

技术实现思路

[0004]针对拓扑优化设计计算耗时长的问题，本专利技术的目的在于提供一种基于人工智能技术的实时拓扑优化生成设计方法，通过选取合适的神经网络模型，并利用已知的设计条件和拓扑优化结果对神经网络模型进行预训练，当再次处理相似的拓扑优化设计任务时，只需将设计条件按照神经网络模型可接受的格式输入即可实时得到拓扑优化结果。
[0005]本专利技术采用的技术方案如下：r/>[0006]本专利技术所提出的一种基于人工智能技术的实时拓扑优化生成设计方法，具体包括以下步骤：
[0007](1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；将每个条件看作对应一个一维通道，将上述一维通道首尾相连后作为模型输入向量，即输入条件标签x；
[0008](2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结果，对生成的真实拓扑优化结果进行图形编码后作为输出结果标签y；
[0009](3)将步骤(1)中的输入条件标签x与步骤(2)中的输出结果标签y一一对应后存为训练数据集，供后续的神经网络模型训练；
[0010](4)选取合适的神经网络模型，将条件标签x作为输入，将真实拓扑优化结果y作为期望结果，将真实拓扑优化结果和神经网络生成的结果之间的数值差作为训练过程中的损失函数；通过优化器来调整神经网络模型参数，从而降低损失函数使神经网络输出结果尽可能地逼近真实拓扑优化结果y；
[0011](5)将实际设计中所需施加的设计条件按照步骤(1)中的编码格式进行编码，将其
输入到训练好的神经网络模型中即可实时生成拓扑优化结果。
[0012]进一步的，所述神经网络模型选用卷积神经网络CNN模型或者条件生成对抗神经网络CGAN模型。
[0013]进一步的，所述神经网络模型由全连接层、随机删减层、反卷积层、卷积层和激活函数层构成。
[0014]进一步的，所述优化器选用随机梯度下降算法SGD或自适应矩估计算法Adam。
[0015]进一步的，所述损失函数选用均方误差MSE或交叉熵损失函数。
[0016]进一步的，所述方法适用于二维结构或三维结构。
[0017]本专利技术与现有技术相比具有以下有益效果：
[0018]本专利技术将人工智能领域中的神经网络模型与拓扑优化设计相结合，提出了通过预训练神经网络模型的方式消除拓扑优化设计过程中计算耗时长的痛点，可用于实时快速生成拓扑优化结构，大大提高了实际设计过程的效率。
附图说明
[0019]图1为本专利技术的技术方案流程图；
[0020]图2为本专利技术的模型使用示意图；
[0021]图3为本专利技术中生成器的结构示意图；
[0022]图4为本专利技术中判别器的结构示意图；
[0023]图5为本专利技术生成的拓扑优化结果与SIMP法拓扑优化结果对比。
具体实施方式
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]本专利技术所提出的一种基于人工智能技术的实时拓扑优化生成设计方法，其可以针对不同的拓扑优化设计需求选择合适的神经网络模型进行训练，从而实现实时拓扑优化生成设计。下面以二维结构拓扑优化为例，以条件生成对抗神经网络CGAN为基础训练了一种可用于实时拓扑优化生成设计的模型。
[0026]如图1和图2所示，本方法具体步骤如下：
[0027](1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；将每个条件看作对应一个一维通道，所述通道包括：2个载荷边界条件通道和2个位移边界条件通道，将上述一维通道首尾相连后作为模型输入向量，即条件特征标签x；若设计域大小为80
×
80，则只考虑边界上的像素点共有79
×
4即316个，又由于输入的是2个载荷边界条件通道和2个位移边界条件，共4个边界条件，则所对应的条件特征标签x大小为316
×
4，即长度为1264的一维向量；
[0028](2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结果，即大小为80
×
80的数组作为结果标签y；
[0029](3)将步骤(1)中条件标签x与步骤(2)中的结果标签y相对应后存储为训练数据
集，供后续训练神经网络模型使用；
[0030](4)选取合适的神经网络模型，神经网络模型可以选用卷积神经网络CNN或者条件生成对抗神经网络CGAN等适合设计需求的模型；本实施例选用生成对抗神经网络模型CGAN，其由生成器和判别器两部分组成；
[0031]其中，生成器结构：第一部分网络为全连接层，其参数为5
×5×8×
D；第二部分网络为Dropout随机节点删减层，其参数为[5，5，8
×
D]；第三部分网络为4个反卷积模块，且每个反卷积模块包含一个Deconv2D反卷积层和一个Relu激活函数层；各个卷积层的参数设置分别为[10，10，4
×
D]、[20，20，2
×
D]、[40，40，D]、[80，80，1]；所述生成器的结构及参数如图3所示；所述的D是通道数的权重，可根据内存大小随意更改；
[0032]判别器结构：第一部分网络为4个卷积模块，每个卷积模块包含一个Conv2D卷积层和一个LRelu激活函数层，各个卷积层的参数分别为[44，44，D]、[22，22，2
×
D]、[11，11，4*D]、[6，6，8*D]，LRelu激活函数层的参数为0.2；第二部分网络为全连接层，最终输入为0/1；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的实时拓扑优化生成设计方法，其特征在于，所述方法包括以下步骤：(1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；将每个条件看作对应一个一维通道，将上述一维通道首尾相连后作为模型输入向量，即输入条件标签x；(2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结果，对生成的真实拓扑优化结果进行图形编码后作为输出结果标签y；(3)将步骤(1)中的输入条件标签x与步骤(2)中的输出结果标签y一一对应后存为训练数据集，供后续的神经网络模型训练；(4)选取合适的神经网络模型，将条件标签x作为输入，将真实拓扑优化结果y作为期望结果，将真实拓扑优化结果和神经网络生成的结果之间的数值差作为训练过程中的损失函数；通过优化器来调整神经网络模型参数，从而降低损失函数使神经网络输出结果尽可能地逼近真实拓扑优化结果y；(5)将实际设计中所需施加的设计条件按照步骤(1)...

【专利技术属性】
技术研发人员：祝雪峰，赵金彪，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：