[논문 리뷰] 3D Topology Optimization using Convolutional Neural Networks

Saurabh Banga, Harsh Gehani외 3명|arXiv (Cornell University)|2018. 08. 22.

Topology Optimization in Engineering참고 문헌 15인용 수 53

한 줄 요약

논문은 최종 최적 구조를 초기 반복 데이터에서 예측하여 위상 최적화를 3D 인코더-디코더 CNN으로 가속하는 방법을 제시하며, 약 40%의 시간 절감과 약 96%의 구조 정확도를 달성한다.

ABSTRACT

Topology optimization is computationally demanding that requires the assembly and solution to a finite element problem for each material distribution hypothesis. As a complementary alternative to the traditional physics-based topology optimization, we explore a data-driven approach that can quickly generate accurate solutions. To this end, we propose a deep learning approach based on a 3D encoder-decoder Convolutional Neural Network architecture for accelerating 3D topology optimization and to determine the optimal computational strategy for its deployment. Analysis of iteration-wise progress of the Solid Isotropic Material with Penalization process is used as a guideline to study how the earlier steps of the conventional topology optimization can be used as input for our approach to predict the final optimized output structure directly from this input. We conduct a comparative study between multiple strategies for training the neural network and assess the effect of using various input combinations for the CNN to finalize the strategy with the highest accuracy in predictions for practical deployment. For the best performing network, we achieved about 40% reduction in overall computation time while also attaining structural accuracies in the order of 96%.

연구 동기 및 목표

• 계산적으로 집약적인 물리 기반의 3D 위상 최적화에 대한 데이터 기반 대안을 제시한다.
• 최적화된 소재 분포의 예측을 가속하기 위해 3D 인코더-디코더 CNN를 개발한다.
• SIMP(Solid Isotropic Material with Penalization)으로부터의 초기 반복 데이터가 입력으로 어떻게 작용할 수 있는지 탐구한다.
• 배포를 위한 예측 정확도를 극대화하기 위해 학습 전략과 입력 구성을 비교한다.

제안 방법

• 초기 SIMP 반복 데이터를 최종 최적화 구조로 매핑하기 위해 3D 인코더-디코더 CNN 아키텍처를 사용한다.
• 다른 입력 조합이 CNN 성능에 어떤 영향을 미치는지 조사한다.
• 네트워크 입력 선정을 안내하기 위해 SIMP 프로세스의 반복별 진행 상황을 분석한다.
• 다양한 학습 전략을 학습하고 평가하여 최상의 성능 구성을 식별한다.
• CNN 예측의 계산 시간 감소와 구조적 정확도를 정량화한다.

실험 결과

연구 질문

• RQ1 CNN이 초기 SIMP 반복으로부터 최종 위상 최적화 결과를 직접 예측할 수 있는가?
• RQ2 3D 위상 최적화를 위한 가장 높은 정확도와 가장 빠른 추론 속도를 얻기 위해 어떤 입력 구성과 학습 전략이 필요한가?
• RQ3 시간과 정확도 측면에서 CNN 기반 접근법은 전통적인 물리 기반의 위상 최적화와 어떻게 비교되는가?

주요 결과

• 가장 성능이 좋은 네트워크가 전체 계산 시간에서 약 40%의 감소를 달성했다.
• CNN 예측의 구조적 정확도는 약 96% 수준이다.