[論文レビュー] Convolutional Neural Network-based Topology Optimization (CNN-TO) By Estimating Sensitivity of Compliance from Material Distribution

Yusuke Takahashi, Yoshiro Suzuki+1 more|arXiv (Cornell University)|Dec 23, 2019

Topology Optimization in Engineering参考文献 32被引用数 7

ひとこと要約

本稿では、コンvolutionニューラルネットワーク（CNN）を活用して、材料密度分布から剛性感度を直接推定する新しいトポロジー最適化手法、CNN-TOを提案する。この手法により、設計探索が高速かつ効果的に行えるようになる。有限要素メッシュデータから感度マップを予測するように訓練されたCNNを用いることで、質量制約下での構造的剛性が向上し、16×32要素のベンチマークケースにおいて従来手法を上回る性能を発揮する。

ABSTRACT

This paper proposes a new topology optimization method that applies a convolutional neural network (CNN), which is one deep learning technique for topology optimization problems. Using this method, we acquire a structure with a little higher performance that could not be obtained by the previous topology optimization method. In particular, in this paper, we solve a topology optimization problem aimed at maximizing stiffness with a mass constraint, which is a common type of topology optimization. In this paper, we first formulate the conventional topology optimization by the solid isotropic material with penalization method. Next, we formulate the topology optimization using CNN. Finally, we show the effectiveness of the proposed topology optimization method by solving a verification example, namely a topology optimization problem aimed at maximizing stiffness. In this research, as a result of solving the verification example for a small design area of 16x32 element, we obtain the solution different from the previous topology optimization method. This result suggests that stiffness information of structure can be extracted and analyzed for structural design by analyzing the density distribution using CNN like an image. This suggests that CNN technology can be utilized in the structural design and topology optimization.

研究の動機と目的

• ディープラーニングを統合した新しいトポロジー最適化フレームワークの開発を目的とする。
• 従来のトポロジー最適化手法が、複雑で直感的でない構造的トポロジーの探索において抱える限界を解決することを目的とする。
• 繰り返しの感度解析の代わりに学習されたCNNベースの推定を用いることで、最適化の収束速度を向上させ、より高い剛性を実現することを目的とする。
• 密度分布から構造的性能情報を抽出するためにCNNを用いることの実現可能性と優位性を検証することを目的とする。

提案手法

• 本手法は、固体等方性材料と罰則項を用いたSIMP（Solid Isotropic Material with Penalization）法をベースラインとして採用する。
• コンvolutionニューラルネットワーク（CNN）を訓練し、材料密度の変化に対する構造的剛性の感度を、密度フィールドから直接予測する。
• CNNの入力は2次元の材料密度分布（特徴マップとして扱う）であり、出力は最適性基準の更新ステップで使用される感度マップである。
• CNNは、有限要素解析の結果のデータセットを用いて学習し、密度パターンと剛性感度の間のマッピングを学習する。
• 最適化ループでは、CNNが予測した感度を用いて設計変数を繰り返し更新し、最適性基準法に従う。
• 本手法は、各反復で有限要素問題を解く代わりに、訓練済みのCNNを用いた高速な推論ステップに置き換えることで、反復的計算を回避する。

実験結果

リサーチクエスチョン

• RQ1 コンvolutionニューラルネットワークは、トポロジー最適化において、材料密度分布から剛性感度を効果的に推定できるか？
• RQ2 CNNベースの感度推定は、従来手法と比較して、構造的性能を向上させることができるか？
• RQ3 CNN-TO手法は、標準的なトポロジー最適化では到達できない、新しい非直感的なトポロジーを発見できるか？
• RQ4 質量制約下で、CNN-TO手法の収束速度と最終的な剛性性能はどのように評価されるか？

主な発見

• CNN-TO手法は、16×32要素の検証ケースにおいて、従来のトポロジー最適化で得られるものとは異なる構造的トポロジーを成功裏に生成した。
• 提案手法は、従来手法よりも高い剛性性能を達成し、設計品質の向上を実証した。
• CNNは、材料分布と剛性感度の関係を高い精度で学習し、一般化することができた。
• 最適化中、繰り返しの有限要素解析を高速なCNN推論に置き換えることで、計算コストを顕著に削減した。
• 結果から、CNNが密度フィールドから意味のある構造的性能情報を抽出できることを確認した。これにより、トポロジー最適化における新たな道筋が開かれた。
• 本研究は、ディープラーニングが、生の密度データを有用な感度マップに変換することで、構造的設計の向上に寄与する可能性を検証した。