[論文レビュー] A Novel Topology Optimization Approach using Conditional Deep Learning

Sharad Rawat, M.-H. Herman Shen|arXiv (Cornell University)|Jan 14, 2019

Topology Optimization in Engineering参考文献 17被引用数 50

ひとこと要約

本論文は、平面構造物の従来のトポロジー最適化を模倣する条件付き Wasserstein GAN（CWGAN）フレームワークを提案し、設計条件を設定可能な最適化設計の超低コスト生成を可能にする。

ABSTRACT

In this study, a novel topology optimization approach based on conditional Wasserstein generative adversarial networks (CWGAN) is developed to replicate the conventional topology optimization algorithms in an extremely computationally inexpensive way. CWGAN consists of a generator and a discriminator, both of which are deep convolutional neural networks (CNN). The limited samples of data, quasi-optimal planar structures, needed for training purposes are generated using the conventional topology optimization algorithms. With CWGANs, the topology optimization conditions can be set to a required value before generating samples. CWGAN truncates the global design space by introducing an equality constraint by the designer. The results are validated by generating an optimized planar structure using the conventional algorithms with the same settings. A proof of concept is presented which is known to be the first such illustration of fusion of CWGANs and topology optimization.

研究の動機と目的

• 従来のアルゴリズムから学ぶことにより、トポロジー最適化の計算コスト削減を動機づける。
• 設計パラメータを条件付けした準最適トポロジーを再現するCWGANベースのモデルを開発する。
• 条件付けが設計空間を狭め、事前指定の最適化基準を可能にすることを示す。

提案手法

• 深層CNN生成器と識別器を用いた条件付き Wasserstein GAN を用いる。
• 従来のトポロジー最適化アルゴリズムによって生成された準最適な平面構造を用いて訓練する。
• デザイナーが指定した要件にCWGANを条件付けるために等式制約を組み込む。
• 従来法と同じ設定を用いて最適化された平面構造を生成することで検証する。

実験結果

リサーチクエスチョン

• RQ1 CWGANは平面構造の準最適なトポロジー最適化結果を再現できるか。
• RQ2 設計要件でCWGANを条件付けることで設計空間を効果的に制約できるか。
• RQ3 同一設定下でCWGAN生成デザインは従来のトポロジー最適化出力とどのように比較されるか。

主な発見

• CWGANとトポロジー最適化を統合する概念実証を示す。
• CWGANは事前に定義された設計値に条件付けされたトポロジーサンプルを生成できる。
• このアプローチは従来の最適化結果を計算コストの少ない方法で再現することを目指す。