[논문 리뷰] A deep Convolutional Neural Network for topology optimization with strong generalization ability

Yi‐Quan Zhang, Bo Peng외 3명|arXiv (Cornell University)|2019. 01. 23.

Topology Optimization in Engineering참고 문헌 13인용 수 64

한 줄 요약

이 논문은 SIMP 생성 데이터로 훈련된 U‑Net 계열의 구성의 심층 CNN을 이용한 토폴로지 최적화 방법을 제시하며, 빠른 설계를 달성하고 최적성과 비견될 만큼의 성능을 유지하며 보지 못한 경계 조건에도 좋은 일반화를 보인다.

ABSTRACT

This paper proposes a deep Convolutional Neural Network(CNN) with strong generalization ability for structural topology optimization. The architecture of the neural network is made up of encoding and decoding parts, which provide down- and up-sampling operations. In addition, a popular technique, namely U-Net, was adopted to improve the performance of the proposed neural network. The input of the neural network is a well-designed tensor with each channel includes different information for the problem, and the output is the layout of the optimal structure. To train the neural network, a large dataset is generated by a conventional topology optimization approach, i.e. SIMP. The performance of the proposed method was evaluated by comparing its efficiency and accuracy with SIMP on a series of typical optimization problems. Results show that a significant reduction in computation cost was achieved with little sacrifice on the optimality of design solutions. Furthermore, the proposed method can intelligently solve problems under boundary conditions not being included in the training dataset.

연구 동기 및 목표

• 구조 토폴로지 최적화를 위한 신경망 프레임워크를 개발한다.
• 인코더–디코더(U‑Net) 아키텍처를 활용하여 다운샘플링 및 업샘플링을 수행한다.
• 문제 정보를 인코드하는 다채널 입력 텐서를 설계한다.
• 학습된 표현으로 최적 구조의 레이아웃을 출력한다.
• 속도와 정확성 면에서 전통적인 SIMP 최적화와 성능을 비교한다.

제안 방법

• 다운샘플링 및 업샘플링 구성요소를 갖춘 인코더–디코더 CNN 아키텍처를 채택한다.
• 토폴로지 최적화 작업에서 성능을 향상시키기 위해 U‑Net 스타일 디자인을 포함시킨다.
• 문제 정보를 서로 다른 채널로 인코드하는 다채널 텐서로 입력을 설계한다.
• 전통적 SIMP 토폴로지 최적화로 생성된 대규모 데이터셋에서 네트워크를 학습한다.
• 네트워크의 최종 예측으로 예측된 최적 구조 레이아웃을 출력한다.
• 일반적인 최적화 문제에서 SIMP 대비 효율성과 정확성을 비교한다.

실험 결과

연구 질문

• RQ1 깊은 CNN이 학습 중 보지 못한 경계 조건에 대해 토폴로지 최적화 해법을 일반화할 수 있는가?
• RQ2 학습된 모델로 SIMP를 대체할 때 계산 비용과 설계 최적성 사이의 트레이드오프는 무엇인가?
• RQ3 U‑Net 기반 아키텍처가 토폴로지 최적화 작업의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 CNN은 설계 최적성의 약간의 희생으로 계산 비용을 크게 줄인다.
• 네트워크는 학습 세트 밖의 경계 조건에 대해 지능적으로 일반화를 보여준다.
• 학습은 전통 SIMP 최적화를 통해 생성된 데이터셋에 의존하여 모델이 표준 해를 학습하게 한다.