[論文レビュー] 3D Topology Optimization using Convolutional Neural Networks

Saurabh Banga, Harsh Gehani+3 more|arXiv (Cornell University)|Aug 22, 2018

Topology Optimization in Engineering参考文献 15被引用数 53

ひとこと要約

本論文は、初期反復データから最終的に最適化された構造を予測することでトポロジー最適化を高速化する3Dエンコーダ-デコーダ CNN アプローチを提案し、約40%の時間削減と約96%の構造精度を達成する。

ABSTRACT

Topology optimization is computationally demanding that requires the assembly and solution to a finite element problem for each material distribution hypothesis. As a complementary alternative to the traditional physics-based topology optimization, we explore a data-driven approach that can quickly generate accurate solutions. To this end, we propose a deep learning approach based on a 3D encoder-decoder Convolutional Neural Network architecture for accelerating 3D topology optimization and to determine the optimal computational strategy for its deployment. Analysis of iteration-wise progress of the Solid Isotropic Material with Penalization process is used as a guideline to study how the earlier steps of the conventional topology optimization can be used as input for our approach to predict the final optimized output structure directly from this input. We conduct a comparative study between multiple strategies for training the neural network and assess the effect of using various input combinations for the CNN to finalize the strategy with the highest accuracy in predictions for practical deployment. For the best performing network, we achieved about 40% reduction in overall computation time while also attaining structural accuracies in the order of 96%.

研究の動機と目的

• 計算量の多い物理ベースの3Dトポロジー最適化に対するデータ駆動型の代替案を動機づける。
• 最適化された材料分布の予測を高速化する3Dエンコーダ-デコーダ CNNを開発する。
• SIMP（Solid Isotropic Material with Penalization）からの初期反復データが入力としてどのように機能するかを探る。
• 展開のための予測精度を最大化するために、トレーニング戦略と入力構成を比較検討する。

提案手法

• 初期SIMP反復データを最終最適化構造に写像する3Dエンコーダ-デコーダ CNN アーキテクチャを用いる。
• 異なる入力の組み合わせがCNNの性能にどのように影響するかを調査する。
• SIMPプロセスの反復ごとの進行を分析してネットワークの入力選択を導く。
• 複数のトレーニング戦略を訓練・評価して、最高の性能を発揮する構成を特定する。
• CNN予測の計算時間削減と構造精度を定量化する。

実験結果

リサーチクエスチョン

• RQ1 CNNは初期SIMP反復から直接最終のトポロジー最適化結果を予測できるか？
• RQ2 3Dトポロジー最適化において、最高の精度と最速推論をもたらす入力構成とトレーニング戦略は何か？
• RQ3 時間と精度の観点で、CNNベースのアプローチは従来の物理ベースのトポロジー最適化とどう比較されるか？

主な発見

• 最も性能の高いネットワークは、全体の計算時間を約40%削減した。
• CNN予測の構造精度はおよそ96%のオーダーである。