[論文レビュー] Deep learning-based topological optimization for representing a user-specified design area

Keigo Nakamura, Yoshiro Suzuki|arXiv (Cornell University)|Apr 11, 2020

Topology Optimization in Engineering参考文献 12被引用数 8

ひとこと要約

本稿では、バッチ正規化とSPADEを用いたCNNを用いた深層学習ベースのトポロジー最適化手法を提案する。この手法は、1回の推論ステップで、ユーザーが指定した設計領域、体積分率、荷重条件を反映した近最適構造を生成する。SIMP法と比較して計算時間を83%短縮し、設計領域制約の遵守率が99.6%に達し、平均剛性誤差はSIMP解の2.75%以内に保たれる。

ABSTRACT

Presently, topology optimization requires multiple iterations to create an optimized structure for given conditions. Among the conditions for topology optimization,the design area is one of the most important for structural design. In this study, we propose a new deep learning model to generate an optimized structure for a given design domain and other boundary conditions without iteration. For this purpose, we used open-source topology optimization MATLAB code to generate a pair of optimized structures under various design conditions. The resolution of the optimized structure is 32 * 32 pixels, and the design conditions are design area, volume fraction, distribution of external forces, and load value. Our deep learning model is primarily composed of a convolutional neural network (CNN)-based encoder and decoder, trained with datasets generated with MATLAB code. In the encoder, we use batch normalization (BN) to increase the stability of the CNN model. In the decoder, we use SPADE (spatially adaptive denormalization) to reinforce the design area information. Comparing the performance of our proposed model with a CNN model that does not use BN and SPADE, values for mean absolute error (MAE), mean compliance error, and volume error with the optimized topology structure generated in MAT-LAB code were smaller, and the proposed model was able to represent the design area more precisely. The proposed method generates near-optimal structures reflecting the design area in less computational time, compared with the open-source topology optimization MATLAB code.

研究の動機と目的

• 従来のSIMP法に基づく反復的最適化手順を排除し、深層学習モデルによる置き換えを実現すること。
• 設計領域、体積分率、荷重分布を含むユーザー指定の設計条件から、直接的に最適化された材料密度分布を生成すること。
• 材料が指定された設計領域の外に配置されないよう保証することで、生成構造の忠実性を向上させること。
• SIMP法の構造的性能に近い水準を維持しながら、計算コストを低減すること。
• エンコーダ・デコーダアーキテクチャにおいてバッチ正規化とSPADEを用いることで、モデルの安定性と設計に配慮した特徴抽出を向上させること。

提案手法

• 32×32解像度の合成データセットを、オープンソースのMATLABベースのトポロジー最適化（SIMP法）を用いて生成し、その上でCNNベースのエンコーダ・デコーダモデルを学習した。
• 学習の安定化とバックプロパゲーション中の勾配の流れの改善を目的に、エンコーダにバッチ正規化（BN）を採用した。
• 空間的特徴抽出の向上と設計領域情報の強化を目的に、デコーダにSPADE（空間的適応正規化）を適用した。
• 主損失関数として、材料密度分布の平均絶対誤差（MAE）を用い、同時に剛性誤差の最小化にも注力した。
• 複数のシミュレーションを通じて、設計領域、体積分率、力の分布、荷重値を変化させることで、学習データを生成した。
• 未観測の設計条件を含むテストセットを用いてモデルの汎化性能を検証し、剛性および設計領域忠実度を評価した。

実験結果

リサーチクエスチョン

• RQ1 反復的最適化を経ない1回の推論ステップで、深層学習モデルが最適化されたトポロジー構造を生成できるか？
• RQ2 CNNモデルは、出力の材料密度分布において、ユーザーが指定した設計領域をどの程度正確に保持できるか？
• RQ3 BNおよびSPADEの導入により、ベースラインCNNと比較して、トポロジー生成の精度と安定性はどの程度向上するか？
• RQ4 提案手法の計算速度は、従来のSIMP法に比べてどの程度向上するか？
• RQ5 SIMP解と比較して、モデルは構造的性能（例：平均剛性）をどの程度維持できるか？

主な発見

• 提案手法はSIMP法と比較して計算時間を83%短縮し、1回の順伝播で近最適な結果を達成した。
• 生成された材料密度分布のうち99.6%がユーザー指定の設計領域を正しく遵守したのに対し、Yuらのベースラインモデルでは68.2%にとどまった。
• 80%の材料密度におけるCNN生成構造とSIMP解との平均剛性誤差は2.75%に抑えられ、高い構造的忠実度が確認された。
• BNおよびSPADEを組み込んだモデルは、これらのコンponentsを備えないベースラインモデルと比較して、MAE（0.014）と剛性誤差の両方を低減した。
• 改善は見られたが、モデルは時折不連続な材料密度分布を生成し、高剛性誤差を引き起こすことがあり、これはMAEのみを損失関数に用いることの限界を示している。
• モデルは未観測の設計条件に対しても強く汎化し、多様な設計領域および荷重設定において高い精度を維持した。