基于Swin-Transfomer的结构拓扑优化方法技术

本发明专利技术针对现有技术的局限性，提出了一种基于Swin

【技术实现步骤摘要】
基于Swin
‑
Transfomer的结构拓扑优化方法


[0001]本专利技术涉及计算机深度学习的
，具体地，涉及深度学习方法在结构拓扑优化的应用；更具体的，涉及一种基于Swin
‑
Transfomer的结构拓扑优化方法。

技术介绍

[0002]结构拓扑优化是为了在给定的设计域、载荷和边界条件下获得最佳的材料分布，以实现最佳的结构性能。拓扑优化可以方便工程师提出高效且新颖的概念设计方案；因此，它在工程领域引起了广泛的关注，并成为最近优化的重点。在优化问题中，涉及的计算通常涉及许多迭代过程。每个迭代过程通常需要对整个结构进行有限元计算。是一个计算昂贵、占用内存和耗时的过程。这些缺点限制了设计空间探索的机会，禁止了交互设计。
[0003]计算机辅助工程可以从几何深度学习革命中受益，类似于深度学习革命计算机视觉的方式。与传统的拓扑优化方法相比，深度学习方法无需进行重复迭代，能快速准确地优化复杂形状。现有的深度学习方法通常是使用卷积神经网络(CNN)构建模型，捕捉应力矩阵的信息，对结构进行拓扑优化。如公告日为2022.08.05的中国专利技术专利：一种基于卷积神经网络的结构拓扑构型预测方法中所示，包括：构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构预设体积分数、载荷位置和载荷方向中任一项发生变化时，至少一个通道会发生相应的变化；建立网络模型，其中，多个编码模块用于提取多通道张量的多个不同尺度的特征图谱；SE
‑
ResNet模块用于获取特征图谱中各通道的注意力权重并融合至特征图谱；解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张到目标尺寸；利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型。
[0004]但卷积神经网络(CNN)存在局限性，其无法建立相距较远像素点之间的联系，即无法获得全局感受野，另外，即使通过加深网络层数，相聚越远的像素点之间的可行信息传递路径越少，无法做到平均的全局感受野。

技术实现思路

[0005]针对现有技术的局限，本专利技术提出一种基于Swin
‑
Transfomer的结构拓扑优化方法，本专利技术采用的技术方案是：
[0006]一种基于Swin
‑
Transfomer架构的结构拓扑优化预测模型的建立方法，包括以下步骤：
[0007]S1，获取结构样本；对所述结构样本进行拓扑优化，获得初始应力矩阵以及样本优化结果；所述初始主应力矩阵为在前述拓扑优化过程的第一次迭代中通过有限元分析获得的主应力矩阵；
[0008]S2，构建基于Swin
‑
Transfomer架构的模型；
[0009]S3，以所述初始主应力矩阵表示的图片作为训练数据，以所述样本优化结果作为训练标签，对所述步骤S2构建的模型进行训练，获得结构拓扑优化预测模型。
[0010]相较于现有技术，本专利技术提出了一种基于Swin
‑
Transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。
[0011]作为一种优选方案，在所述步骤S1中，通过最小化目标函数对所述结构样本进行拓扑优化：
[0012][0013]其中，ρ为结构密度变量向量；U为全局位移，上标T表示转置；F为力向量；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；θ为体积系数；V(ρ)代表密度变量ρ的有效体积；V0是密度变量为1时的体积，表示设计域的大小；p是惩罚因子。
[0014]作为一种优选方案，所述步骤S2构建的模型包括依序连接的一个Swin
‑
Transfomer网络以及一个深度为2层、神经元个数分别为[8192,12288,8192]的全连接层。
[0015]进一步的，在所述Swin
‑
Transfomer网络中，对输入的图片包括以下四个阶段的操作：
[0016]将输入的图片I分成32
×
16个块状I0，所述块状I0的维度为4
×
4；所述块状I0经过[16，256]的全连接层压缩成长度为256的向量，得到384个维度为256的块状I1；所述块状I1依序经过两个维度为32
×
16
×
256维的Swin
‑
Transfomer块，再经过一个全连接层，压缩成128维，得到32
×
16个维度为128的块状I2；
[0017]将所述块状I2按照2
×
2的相邻块状合并，得到16
×
8个维度为512的块状I3；所述块状I3依序经过两个维度为16
×8×
512维Swin
‑
Transfomer块，再经过一个全连接层，压缩成256维，得到16
×
8个维度为256的块状I4；
[0018]将所述块状I4按照2
×
2的相邻块状合并，得到8
×
4个维度为1024的块状I5；所述块状I5依序经过六个维度为8
×4×
1024的Swin
‑
Transfomer块，再经过一个全连接层压缩，得到8
×
4个维度为512的块状I6；
[0019]将所述块状I6按照2
×
2的相邻块状合并，输入两个Swin
‑
Transfomer块，再经过全连接层压缩，得到4
×
2个维度为1024的I
f
作为所述Swin
‑
Transfomer网络的输出。
[0020]进一步的，在所述步骤S3训练过程中的损失函数如下：
[0021][0022][0023]其中，T表示训练样本的总数，m、n分别表示样本设计域的长、宽；是表示所述样本优化结果的单个元素的密度，是模型预测的单个元素的密度；MSD表示标准的平方差损失。
[0024]更进一步的，在所述步骤S3训练结束后，根据以下公式评估模型的性能，调整模型的参数：
[0025][0026][0027]其中，μ是一个自定义的阈值，φ
i
(ρ
p
)是一个相似性判别函数，用来判别两个结构之间是否相似。
[0028]本专利技术还包括以下内容：
[0029]一种基于Swin
‑
Transfomer的结构拓扑优化方法，包括以下步骤：获取待优化结构的初始应力矩阵；将待优化结构的初始应力矩阵输入由前述的基于Swin
‑
Transfomer架构的结构拓扑优化预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Swin
‑
Transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，包括以下步骤：S1，获取结构样本；对所述结构样本进行拓扑优化，获得初始应力矩阵以及样本优化结果；所述初始主应力矩阵为在前述拓扑优化过程的第一次迭代中通过有限元分析获得的主应力矩阵；S2，构建基于Swin
‑
Transfomer架构的模型；S3，以所述初始主应力矩阵表示的图片作为训练数据，以所述样本优化结果作为训练标签，对所述步骤S2构建的模型进行训练，获得结构拓扑优化预测模型。2.根据权利要求1所述的基于Swin
‑
Transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述步骤S1中，通过最小化目标函数对所述结构样本进行拓扑优化：其中，ρ为结构密度变量向量；U为全局位移，上标T表示转置；F为力向量；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；θ为体积系数；V(ρ)代表密度变量ρ的有效体积；V0是密度变量为1时的体积，表示设计域的大小；p是惩罚因子。3.根据权利要求1所述的基于Swin
‑
Transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，所述步骤S2构建的模型包括依序连接的一个Swin
‑
Transfomer网络以及一个深度为2层、神经元个数分别为[8192,12288,8192]的全连接层。4.根据权利要求2所述的基于Swin
‑
Transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述Swin
‑
Transfomer网络中，对输入的图片包括以下四个阶段的操作：将输入的图片i分成32
×
16个块状i0，所述块状I0的维度为4
×
4；所述块状I0经过[16，256]的全连接层压缩成长度为256的向量，得到384个维度为256的块状I1；所述块状I1依序经过两个维度为32
×
16
×
256维的Swin
‑
Transfomer块，再经过一个全连接层，压缩成128维，得到32
×
16个维度为128的块状I2；将所述块状I2按照2
×
2的相邻块状合并，得到16
×
8个维度为512的块状I3；所述块状I
I
依序经过两个维度为16
×8×
512维Swin
‑
Transfomer块，再经过一个全连接层，压缩成256维，得到16
×
8个维度为256的块状I4；将所述块状I4按照2
×
2的相邻块状合并，得到8
×
4个维度为1024的块状i5；所述块状I5依序经过六个维度为8
×4×
1024的Swin
‑
Transfomer块，再经过一个全连接层压缩，得到8
×
4个维度为512的块状I6；将所述块状I6按照2

【专利技术属性】
技术研发人员：阳爱民，陈治锦，白期风，周星燃，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：