【技术实现步骤摘要】
一种基于对比学习的条件生成对抗网络拓扑优化方法及系统
[0001]本专利技术涉及2D有限元分析
,更具体的,涉及一种基于对比学习的条件生成对抗网络拓扑优化方法及系统。
技术介绍
[0002]拓扑优化是机械设计领域最常见的结构优化类型,旨在给定约束和需求性能的情况下,寻找最优材料分布。拓扑优化可以被视为科学地从机械设计领域去除多余的材料,以达到更高的强度
‑
重量比的设计。一种常用的拓扑优化算法是基于密度的SIMP方法,在给定负载案例、边界条件、制造约束和性能要求的条件下,对给定设计空间内的材料分布进行优化预测。在SIMP方法中,结构设计变量(单元密度)和优化问题直接挂钩对应,即拓扑结构明确地取决于设计变量。SIMP拥有优化算法收敛好、灵敏度简单易算、可直接进行基于有限元的离散设计灵敏度计算和适用于结合更复杂的非线性结构拓扑等优点。然而尽管在提高求解效率方面已经做出了重大努力,但基于密度的SIMP算法并不具有通用性;此外,当过滤半径比较大的时候,优化出来的拓扑结构还存在边界不够清晰的缺点,这些灰度区域没有物理意义,设计如果无后处理无法直接用于制造。
[0003]为改善上述传统拓扑优化方法的缺点,最近的工作将深度学习应用到拓扑优化,目的是加速拓扑优化进程,使大规模拓扑优化设计成为可能。由于2D拓扑优化主要是基于图像进行的,因此本设计选用已在计算机视觉领域受到广泛应用的GAN模型的变体TopologyGAN作为基础模型。GAN主要由生成器和鉴别器两个神经网络模块构成,其中,生成器G通过学习输入 ...
【技术保护点】
【技术特征摘要】
1.一种基于对比学习的条件生成对抗网络拓扑优化方法,其特征在于:包括以下步骤:S1.根据设计需求,使用基于密度的具有惩罚的实体各向同性材料方法,即SIMP方法,生成随机数据集;S2.对随机数据集进行预处理;S3.构建条件生成对抗网络拓扑的模型,将SE
‑
Block块增强的ResNet神经网络U
‑
SE
‑
ResNet作为模型的生成器,将预处理后的随机数据集输入生成器得到预测数据集;S4.将具有监督对比模块的CNN层作为模型的鉴别器,将预测数据集和随机数据集输入鉴别器中进行对比学习训练,优化条件生成对抗网络拓扑的模型。2.根据权利要求1所述的基于对比学习的条件生成对抗网络拓扑优化方法,其特征在于:所述的步骤S1中,使用基于密度的具有惩罚的实体各向同性材料方法,即SIMP方法,生成随机数据集,具体为:使用基于密度的SIMP根据设计需求将设计域Φ离散化为各项同性固体微结构的有限元网络,将材料密度M
e
建模为在0和1之间变化,其中0代表空,1代表固体,即将规定好的材料密度分配给域内的元素,每个网格元素e的杨氏模量E
e
为E
e
(M
e
)=E
min
+M
ep
(G
‑
G
min
)其中G是材料刚度,G
min
是无穷小的最小材料刚度,p是惩罚因子,为了避免中间密度的二进制输出;进行拓扑优化以最小化目标函数C(y):其中y为基于密度的结构设计张量,U和F为全局位移和力向量,K为刚度矩阵,u
i
为元素位移向量,k
i
为元素刚度矩阵,N为元素总个数,VF为体积分数,V
y
代表张量y的体积分数,V0是一个固定值;根据最小化目标函数,生成有限元部件,将生成的有限元部件作为真实数据标签构建随机数据集。3.根据权利要求1所述的基于对比学习的条件生成对抗网络拓扑优化方法,其特征在于:生成器采用的ResNet神经网络中通过批量正则化层来应对梯度消失和梯度爆炸,并且ResNet神经网络中若干层被设置为了跳过其下一层神经元的连接,从而通过隔层相连弱化每层之间的强联系。4.根据权利要求2所述的基于对比学习的条件生成对抗网络拓扑优化方法,其特征在于:生成器的SE
‑
Block块动态地重新校准信道特征,给定输入u∈R
H
×
W
×
C
,通过全局平均池化层收缩为S(u)∈R
C
,然后使用两个完全连接的线性矩阵S(u)进行下采样和上采样,整形操作产生与初始输入u具有相同尺寸的激励输出E(u),SE
‑
Block的最终输出是E(u)和u通过元素矩阵乘法的哈达玛乘积:5.根据权利要求4所述的基于对比学习的条件生成对抗网络拓扑优化方法,其特征在
于:在生成器中计算了两种损失:L2正则化损失Loss
L2
和生成器生成的...
【专利技术属性】
技术研发人员:阳爱民,何俊亨,方佳俊,梁昊宇,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:
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。