[論文レビュー] A mechanistic-based data-driven approach to accelerate structural topology optimization through finite element convolutional neural network (FE-CNN)

Tianle Yue, Hang Yang+5 more|arXiv (Cornell University)|Jun 25, 2021

Topology Optimization in Engineering参考文献 22被引用数 9

ひとこと要約

本論文は、有限要素法畳み込みニューラルネットワーク（FE-CNN）を用いた機械的データ駆動型アプローチを提案し、構造トポロジー最適化の高速化を図る。有限要素解析（FEA）を用いて高解像度と低解像度の設計ドメイン間のマッピングを学習することで、計算コストを最大10倍まで低減しつつ、精度を維持し、チェッカーパattersを回避する。従来のSIMPおよびMTOP手法を上回る性能を発揮する。

ABSTRACT

In this paper, a mechanistic data-driven approach is proposed to accelerate structural topology optimization, employing an in-house developed finite element convolutional neural network (FE-CNN). Our approach can be divided into two stages: offline training, and online optimization. During offline training, a mapping function is built between high and low resolution representations of a given design domain. The mapping is expressed by a FE-CNN, which targets a common objective function value (e.g., structural compliance) across design domains of differing resolutions. During online optimization, an arbitrary design domain of high resolution is reduced to low resolution through the trained mapping function. The original high-resolution domain is thus designed by computations performed on only the low-resolution version, followed by an inverse mapping back to the high-resolution domain. Numerical examples demonstrate that this approach can accelerate optimization by up to an order of magnitude in computational time. Our proposed approach therefore shows great potential to overcome the curse-of-dimensionality incurred by density-based structural topology optimization. The limitation of our present approach is also discussed.

研究の動機と目的

• 密度ベースの構造トポロジー最適化における高い計算コスト、特に設計変数の数が非常に多い場合の次元の呪いに対処すること。
• 物理的力学（FEAを介して）をディープラーニングに統合したデータ駆動型手法を開発し、完全にブラックボックスなML手法と比較して、精度と一般化性能を向上させること。
• 低解像度モデルでの学習と、大規模問題への学習済みマッピングの適用により、高速かつ高解像度のトポロジー最適化を可能にすること。
• 既存のMLベース手法の限界（一般化性能の低さや大量のデータ要件）を克服するため、ネットワークアーキテクチャに有限要素力学を埋め込むこと。

提案手法

• FE-CNNは、CNNの標準的な全結合層と活性化関数の代わりに、有限要素解析（FEA）および最適性基準（OC）手法を用いることで、ネットワークに物理的力学を組み込む。
• 2段階のプロセスを採用：まず低解像度ドメインでオフライン学習を行い、高解像度と低解像度の表現間のマッピングを学習し、その後、高解像度ドメインでオンライン最適化を実行する。
• 同じ境界条件および荷重条件の下で、高解像度と低解像度の設計における剛性（コンプライアンス）の差を最小化するようにネットワークを学習する。
• 高解像度設計を低解像度予測から再構築するために、アンプーリングとBP-Conv層をデコーダーとして用いる。
• 設計変数を削減するためにスケーリング要因（Er）を用い、剛性の計算は低減されたメッシュでのみFEAを実行する。
• 学習済みのFE-CNNにより、小規模なFEAのみを用いて大規模ドメインにおける感度計算と最適化が可能となり、実行時間が著しく短縮される。

実験結果

リサーチクエスチョン

• RQ1 有限要素力学をCNNアーキテクチャに組み込んだデータ駆動型手法が、構造トポロジー最適化における計算コストを顕著に低減できるか？
• RQ2 従来のSIMPおよびMTOP手法と比較して、FE-CNN手法の精度、滑らかさ、計算効率はどのように異なるか？
• RQ3 FE-CNNは、構造的整合性を保持し、チェッカーパターンやグレースケールアーチファクトなどの数値不安定性をどれほど回避できるか？
• RQ4 再トレーニングなしで、異なる設計ドメインや荷重条件に一般化できるか？

主な発見

• FE-CNNアプローチは、標準的なSIMPおよびMTOP手法と比較して、計算コストを最大10倍まで低減した。
• FE-CNNの最適化結果は、MTOPと異なり、小さなプロジェクション半径でもチェッカーパターンや不連続性を示さなかった。
• カンチレバー梁およびMBB梁の例において、FE-CNNはMTOPと同等またはより優れたコンプライアンス値を達成しており、特にスケーリング要因が大きい場合（Er=8）に顕著であった。
• FEAに配慮した層による正確で安定した感度計算のおかげで、滑らかで製造に適したトポロジーが得られた。
• FE-CNNは、スケーリング要因（Er=4およびEr=8）にかかわらず高い精度を維持し、2次元ベンチマーク問題において一貫した性能を示した。
• 効果的な低解像度マッピングにより、設計変数の数を著しく削減することで、大規模トポロジー最適化における次元の呪いを克服する強力な可能性を示した。