[論文レビュー] A deep Convolutional Neural Network for topology optimization with strong generalization ability

Yi‐Quan Zhang, Bo Peng+3 more|arXiv (Cornell University)|Jan 23, 2019

Topology Optimization in Engineering参考文献 13被引用数 64

ひとこと要約

この論文は、SIMP生成データで学習したU‑Net様のアーキテクチャを持つ深層CNNを用いたトポロジー最適化を提示し、最適性は同等程度で設計を高速化し、未知の境界条件への一般化性能も良好である。

ABSTRACT

This paper proposes a deep Convolutional Neural Network(CNN) with strong generalization ability for structural topology optimization. The architecture of the neural network is made up of encoding and decoding parts, which provide down- and up-sampling operations. In addition, a popular technique, namely U-Net, was adopted to improve the performance of the proposed neural network. The input of the neural network is a well-designed tensor with each channel includes different information for the problem, and the output is the layout of the optimal structure. To train the neural network, a large dataset is generated by a conventional topology optimization approach, i.e. SIMP. The performance of the proposed method was evaluated by comparing its efficiency and accuracy with SIMP on a series of typical optimization problems. Results show that a significant reduction in computation cost was achieved with little sacrifice on the optimality of design solutions. Furthermore, the proposed method can intelligently solve problems under boundary conditions not being included in the training dataset.

研究の動機と目的

• 構造トポロジー最適化のためのニューラルネットワークフレームワークを開発する。
• ダウンサンプリングとアップサンプリングを実行するエンコーダー–デコーダー（U‑Net）アーキテクチャを活用する。
• 問題情報をエンコードするための多チャネル入力テンソルを設計する。
• 学習された表現から最適構造のレイアウトを出力する。
• 速度と精度の観点から従来のSIMP最適化と性能を比較評価する。

提案手法

• ダウンサンプリングとアップサンプリングの要素を備えたエンコーダー–デコーダーCNNアーキテクチャを採用する。
• トポロジー最適化タスクの性能を向上させるためにU‑Net風の設計を取り入れる。
• 問題情報をそれぞれのチャネルが異なる情報をエンコードする多チャネルテンソルとして設計する。
• 従来のSIMPトポロジー最適化によって生成された大規模データセットでネットワークを訓練する。
• ネットワークの最終予測として予測された最適構造のレイアウトを出力する。
• 通常の最適化問題を横断してSIMPと比較し、効率と精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 深いCNNは学習時に見られなかった境界条件に対してトポロジー最適化解を一般化できるか。
• RQ2 SIMPを学習モデルに置換したときの計算コストと設計最適性のトレードオフはどのようになるか。
• RQ3 U‑Netベースのアーキテクチャはトポロジー最適化タスクの性能にどのように影響するか。

主な発見

• 提案されたCNNは、設計最適性のわずかな損失で計算コストを大幅に削減することを達成する。
• ネットワークはトレーニング集合の外にある境界条件に対して知的な一般化を示す。
• 訓練は従来のSIMP最適化によって生成されたデータセットに依存しており、モデルが標準的な解を学習できる。