一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法技术

一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法包括以下步骤：(1)确定基结构，建立对应的有限元模型；(2)建立以结构质量最轻为目标，结构位移为约束的拓扑优化模型；运行位移约束的拓扑优化设计方法，求解不同载荷下的拓扑构型；(3)获取最终的拓扑构型和对应的中间构型，形成Pix2pix网络可识别的数据集；训练和评估网络结构；(4)搭建Pix2pix神经网络结构，确定生成器和判别器的网络类型，并对网络维度进行设计。(5)训练Pix2pix神经网络；(6)利用拓扑优化计算的中间构型作为输入信息，借助预训练的Pix2pix神经网络，实现由中间构型到优化构型的加速设计，并采用阈值法对生成构型进行反演，获得最终的优化构型。本发明专利技术提高了连续体拓扑优化设计的效率。了连续体拓扑优化设计的效率。了连续体拓扑优化设计的效率。

【技术实现步骤摘要】
一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法


[0001]本专利技术涉及结构中材料的分布设计，适用于结构初始概念的高效设计。

技术介绍

[0002]结构拓扑优化是一种根据给定负载工况、约束条件，对材料布局进行优化设计的一种数学方法。随着工程结构性能的提高，在满足工程要求的情况下，轻量化结构的应用已成为主要趋势。与尺寸和形状优化相比，拓扑优化可以实现结构的优良性能和轻量化。拓扑优化是在给定边界条件下，确定材料在设计域中的最优分布，从而在满足设计要求(或约束条件)的同时，实现最优结构性能的设计方法。因此，结构拓扑优化已引起广泛关注，成为一个重要的研究方向。
[0003]传统拓扑优化方法有几个典型的特点：1.拓扑变量多，即传统拓扑优化方法是先将设计域进行有限单元的划分，并且每个单元作为设计变量，过多的拓扑变量消耗了大量的计算时间；2.中间构型没有工程应用价值，即在迭代计算过程中，中间构型没有完全满足设计需求，并且结构存在大量的灰度单元，无法作为工程结构设计的参考依据；3.精细化结构设计困难：即进一步增加有限单元的划分精度，拓扑变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，利用深度学习网络实现对拓扑结构的快速设计；其特征包括以下步骤：第一步，确定基结构，建立对应的有限元模型，设定约束条件、材料属性；第二步，建立以结构质量最轻为目标，结构位移为约束的拓扑优化模型；第三步，设定载荷作用点及位移约束范围；运行位移约束的拓扑优化设计方法，求解不同载荷下的拓扑构型；第四步，获取最终的拓扑构型和对应的中间构型，形成Pix2pix网络可识别的数据集；将数据集划分为训练集和测试集，用于训练和评估网络结构；第五步，搭建Pix2pix神经网络结构，确定生成器和判别器的网络类型，并对网络维度进行设计；第六步，训练Pix2pix神经网络，分析训练过程中网络的收敛性；对网络中的超参数进行调节，确保网络能收敛；第七步，基于训练完成的Pix2pix神经网络，利用测试集对网络进行性能评估；借助余弦相似度理论判断生成构型是否满足精度，若不满足返回第六步；若满足，则反演预测构型，输出离散拓扑变量，获得最终的拓扑结构。2.根据权利要求1所述的一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，其特征在于，第一步所述的确定基结构，其实现过程为：建立几何模型并确定设计域，将设计域转化为有限元模型，赋予单元材料属性，设置设计域的边界条件。3.根据权利要求1所述的一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，其特征在于，第二步所述的建立优化模型，其实现过程为：在设计域内，建立以结构质量最轻为目标，结构位移为约束的拓扑优化模型；其中，t是单元拓扑设计变量向量；N是单元总数；E是设计域；W是总结构质量；和分别是单元i的初始质量和单元刚度矩阵；f
w
(t
i
)是质量过滤函数；f
k
(t
i
)是刚度过滤函数；是第r处的位移值，R为总位移约束个数；拓扑变量下限t
min
＝0.001。4.根据权利要求1所述的一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，设定载荷作用点及位移约束范围；运行位移约束的拓扑优化设计方法，求解不同载荷下的拓扑构型；其实现过程为：首先，确定载荷形式为集中力，并设定载荷所在的设计域内的位置为随机分布；其次，设定优化模型中位移约束值的范围；最后，通过function top120(nelx,nely,udis,penal,rmin,xnode,ynode)函数传入确定载荷位置的参数xnode和ynode,RF＝sparse(2*(nely+1)*(nelx+1
‑
dis)
‑
y_dis,1,
‑
1,2*(nely+1)*(nelx+1),1)命令用于将载荷分配到有限单元
的节点上，实现载荷作用点的设置；其次，直接输入udis,完成对优化模型位移约束的设置；通过输入xnode、ynode和udis三个参数，循环运行top120即可完成对指定设计域的结构拓扑优化设计。5.根据权利要求1所述的一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，其特征在于，第四步所述对获取最终的拓扑构型和对应的中间构型，形成Pix2pix网络可识别的数据集；将数据集划分为训练集和测试集，用于训练和评估网络结构；其具体实现过程为：数据集是用于训练Pix2pix神经网络完成加速设计的数据保证；所以，数据集包含最终的优化构型和对应的中间构型；中间构型的生成是通过设定优化计算的迭代次数来确定的；为了极大限度的提高加速设计的效率，其迭代次数被设置为一次；获取中间构型和优化构型后，需要将拓扑变量转化成图片像素值，并将优化构型和中间构型拼接成同一张照片，形成一个样本点；对于训练集中的样本，中间构型在左侧，优化构型在右侧；在测试集中，中间构型在右侧，优化构型在左侧；为了客观的评价网络的性能，训练集和测试集的样本保持相互独立。6.根据权利要求1所述的一种基于Pix2pix网络的连续体结构拓扑优化加速设计方法，其特征在于，搭建Pix2pix神经网络结构，确定生成器和判别器的网络类型，并对网络维度进行设计；其具体实现过程为：Pix2pix网络的目标函数L可以表示为：L＝Φ
x,y
[logD(x,y)]+Φ
x
[log(1
‑
D(x,G(x)))]+λΦ
x,y
[y
‑

【专利技术属性】
技术研发人员：叶红玲，李继承，魏南，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：