[論文レビュー] Data-Driven Topology Optimization with Multiclass Microstructures using Latent Variable Gaussian Process

Liwei Wang, Siyu Tao+2 more|arXiv (Cornell University)|Jun 27, 2020

Topology Optimization in Engineering参考文献 63被引用数 5

ひとこと要約

本稿では、マルチスケール設計におけるマルチクラスのマイクロ構造を有するデータ駆動型トポロジー最適化を可能にする、マルチリスポンス潜在変数ガウス過程（MR-LVGP）モデルを提案する。定性的なマイクロ構造の概念と定量的な設計変数を連続的かつ微分可能な潜在空間に統合することで、マイクロ構造クラス間の滑らかな遷移が可能となり、荷重伝達効率が向上する。不規則なトポロジー最適化において優れた性能を示し、一貫した構造的パスを実現する。

ABSTRACT

The data-driven approach is emerging as a promising method for the topological design of multiscale structures with greater efficiency. However, existing data-driven methods mostly focus on a single class of microstructures without considering multiple classes to accommodate spatially varying desired properties. The key challenge is the lack of an inherent ordering or distance measure between different classes of microstructures in meeting a range of properties. To overcome this hurdle, we extend the newly developed latent-variable Gaussian process (LVGP) models to create multi-response LVGP (MR-LVGP) models for the microstructure libraries of metamaterials, taking both qualitative microstructure concepts and quantitative microstructure design variables as mixed-variable inputs. The MR-LVGP model embeds the mixed variables into a continuous design space based on their collective effects on the responses, providing substantial insights into the interplay between different geometrical classes and material parameters of microstructures. With this model, we can easily obtain a continuous and differentiable transition between different microstructure concepts that can render gradient information for multiscale topology optimization. We demonstrate its benefits through multiscale topology optimization with aperiodic microstructures. Design examples reveal that considering multiclass microstructures can lead to improved performance due to the consistent load-transfer paths for micro- and macro-structures.

研究の動機と目的

• 既存のデータ駆動型手法が単一のマイクロ構造クラスに限定されており、空間的に変化する材料特性を無視するという限界に対処すること。
• 定性的なマイクロ構造の概念と定量的な設計変数を統合する包括的なフレームワークを構築すること。
• 異なるマイクロ構造クラス間で連続的かつ微分可能な遷移を可能にし、勾配に基づくマルチスケールトポロジー最適化を実現すること。
• マルチクラスのマイクロ構造統合により、一貫した荷重伝達パスを実現することで構造的性能を向上させること。
• 複雑で不均質なマイクロ構造を有する不規則なトポロジー最適化において、本手法の有効性を示すこと。

提案手法

• 本稿では、多様なマイクロ構造クラスにわたる複数の応答（例：有効材料特性）を同時にモデル化するマルチリスポンス潜在変数ガウス過程（MR-LVGP）モデルを導入する。
• 定性的なマイクロ構造の概念と定量的な設計変数を組み合わせた混合変数入力を、深層ニューラルネットワークを用いたマッピングにより連続的な潜在空間に埋め込む。
• 潜在空間は、類似した機械的応答を示すマイクロ構造が近接するように学習され、補間と勾配計算が可能になる。
• マイクロ構造の概念を微分可能な連続的表現として提供することで、勾配に基づくトポロジー最適化パイプラインへのシームレスな統合が可能になる。
• 潜在空間におけるガウス過程回帰を活用し、有効特性の予測に不確実性評価を組み込む。
• 統一されたモデル内でマイクロ構造タイプの分類と機械的応答の回帰を両立する。

実験結果

リサーチクエスチョン

• RQ1 異種のマイクロ構造クラス（定性的および定量的）を統合し、共通の連続的設計空間に効果的に統合できるデータ駆動型モデルは存在するか？
• RQ2 潜在変数ガウス過程モデルは、異なるクラス間でマイクロ構造幾何と機械的応答の相互作用をどのように保持できるか？
• RQ3 マルチクラスのマイクロ構造を統合することで、マルチスケールトポロジー最適化における荷重伝達効率はどの程度向上するか？
• RQ4 提案されたMR-LVGPモデルは、勾配に基づく最適化に使用可能な、滑らかで微分可能な異なるマイクロ構造概念間の遷移を生成できるか？
• RQ5 MR-LVGPフレームワークを活用してマルチクラスのマイクロ構造を統合した場合、不規則なトポロジー最適化でどの程度の性能向上が達成可能か？

主な発見

• MR-LVGPモデルは、混合変数のマイクロ構造入力を連続的かつ微分可能な潜在空間に効果的に埋め込み、異なるマイクロ構造クラス間の補間を可能にした。
• 本手法により、マイクロ構造およびマクロ構造の両方で一貫した荷重伝達パスが実現され、不規則な設計における構造的性能が向上した。
• マルチクラスマイクロ構造の統合により、単一クラスアプローチに比べて高い性能が達成されたことが、マルチスケールトポロジー最適化の例から示された。
• 潜在空間は、マイクロ構造の概念と設計変数が有効材料特性に与える総合的影響を捉えており、幾何と力学の間の意味のある相互作用を明らかにした。
• モデルは特性予測の不確実性推定を提供し、潜在空間におけるロバストな設計探索を支援した。
• 潜在表現の微分可能性により勾配に基づく最適化が可能となり、効率的なマルチスケールトポロジー合成が実現された。