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方案

本发明专利技术涉及2D有限元分析技术领域，公开了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，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

【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通过学习输入和输出之间的映射去生成与真实数据相似的输出，而鉴别器D用来辨别输入是来自于真实数据还是生成器生成的虚假数据。通过给生成器和鉴别器增加条件信息的输入，可以将GAN模型转换为条件GAN模型(cGAN)。而TopologyGAN模型则是在cGAN的基础上结合了有限元方法(FEM)和SIMP求解器搭建的。输入条件经FEM输出为物理场条件f，让生成器G建立起f到拓扑优化结构的映射关系，即将物理场条件f直接输入到生成器G，使得生成模型细粒度增加，同时，物理场条件f也和原始输入一同输入到鉴别器D中，使得辨别模型细粒度增加，从而使鉴别器D能更好地判别输入是否为真实数据。
[0004]上述，针对拓扑优化的条件生成对抗网络模型已经具备自动生成具有最优形状结构的有限元模型实体的能力，然而该方法仍然存在模型生成的结构与使用传统拓扑优化算法所生成的结构会有细微差异的问题，这种差异体现在形状，尺寸和存在冗余材料等。而对比学习方法则能够很好地解决这一问题。在众多深度学习方法中，对比学习近年来应用越来越广泛，其已被证实在计算机视觉，自然语言处理等领域的有效性。对比学习通过让模型学习数据之间的相似点或不同点来区分数据，从向量空间上来考虑对比学习，类似于聚类的思想，数据点缩小与其正样本间的距离，扩大与其负样本的距离，以便模型在执行更具体的任务之前了解数据更高阶的特征。
[0005]现有技术有一种基于边缘信息重建的图像修复方法，包括步骤：完成图像数据集选取和图像预处理，并进行数据划分；采用生成式对抗网络架构，包含一个生成器和一个鉴
别器；生成器接收受损图像，生成修复图像；鉴别器对修复结果进行真伪判别；采用联合损失对模型训练进行约束，联合损失包含重建损失、感知损失、风格损失、对抗损失和中间特征损失；采用反向传播算法，迭代更新优化网络参数，直至模型损失趋于收敛；将待修复图像输入到训练所得修复模型中，模型输出即为修复结果。
[0006]然而现有技术存在无法识别合成样本与真实样本之间的差异，导致结构精度低的问题，如何专利技术一种可以识别合成样本与真实样本之间的差异的网络拓扑优化方法及系统，是本
亟需解决的技术问题。

技术实现思路

[0007]本专利技术为了解决现有技术无法识别合成样本与真实样本之间的差异，导致结构精度低的问题，提供了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，其具有精准高效的特点。
[0008]为实现上述本专利技术目的，采用的技术方案如下：
[0009]一种基于对比学习的条件生成对抗网络拓扑优化方法，包括以下步骤：
[0010]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；
[0011]S2.对随机数据集进行预处理；
[0012]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；
[0013]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。
[0014]优选的，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:
[0015]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
[0016]E
e
(M
e
)＝
min
+
ep
(
‑
G
min
)
[0017]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；
[0018]进行拓扑优化以最小化目标函数C(y)：
[0019][0020]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；
[0021]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。
[0022]进一步的，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。
[0023]更进一步的，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本文档来自技高网...

【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：