[논문 리뷰] A Hybrid Lagrangian-Eulerian Method for Topology Optimization.

Yue Li, Xuan Li외 4명|arXiv (Cornell University)|2020. 03. 02.

Topology Optimization in Engineering참고 문헌 47인용 수 2

한 줄 요약

LETO는 캐리어 입자 밀도와 위치를 최적화 변수로 다루어 입자-격자 물질점 방법(MPM)을 사용해 미세한 해상도와 낮은 계산 비용을 달성하는 하이브리드 라그랑주-오일러 방법이다. 이는 3D에서 오일러 기반 방법 대비 평균 20% 향상, 2D에서 평균 2% 향상을 달성하며, 큰 변형, 붕괴, 접촉 인식 구조 설계를 가능하게 한다.

ABSTRACT

We propose LETO, a new hybrid Lagrangian-Eulerian method for topology optimization. At the heart of LETO lies in a hybrid particle-grid Material Point Method (MPM) to solve for elastic force equilibrium. LETO transfers density information from freely movable Lagrangian carrier particles to a fixed set of Eulerian quadrature points. The quadrature points act as MPM particles embedded in a lower-resolution grid and enable sub-cell resolution of intricate structures with a reduced computational cost. By treating both densities and positions of the carrier particles as optimization variables, LETO reparameterizes the Eulerian solution space of topology optimization in a Lagrangian view. LETO also unifies the treatment for both linear and non-linear elastic materials. In the non-linear deformation regime, the resulting scheme naturally permits large deformation and buckling behaviors. Additionally, LETO explores contact-awareness during optimization by incorporating a fictitious domain-based contact model into the static equilibrium solver, resulting in the discovery of novel structures. We conduct an extensive set of experiments. By comparing against a representative Eulerian scheme, LETO's objective achieves an average quantitative improvement of 20% (up to 40%) in 3D and 2% in 2D (up to 12%). Qualitatively, LETO also discovers novel non-linear functional structures and conducts self-contact-aware structural explorations.

연구 동기 및 목표

• 기존 오일러 기반 최적화 방법이 미세 구조를 해상도로 해결하고 큰 변형을 다루는 데 한계를 보이는 문제를 해결하기 위해.
• 단일 최적화 프레임워크 내에서 선형 및 비선형 탄성 재료를 통합적으로 다루기 위해.
• 허구 도메인 기반 접촉 모델을 통합하여 접촉 인식 구조 최적화를 가능하게 하기 위해.
• 하이브리드 입자-격자 접근법을 통해 미세 해상도를 확보하면서도 계산 비용을 줄이기 위해.
• 자기 접촉 인식 탐색을 통해 새로운 비선형 기능 구조를 발견하기 위해.

제안 방법

• LETO는 라그랑주 기반 캐리어 입자가 낮은 해상도의 고정된 오일러 격자 위의 정적 점에 밀도 정보를 전달하는 하이브리드 입자-격자 물질점 방법(MPM)을 사용한다.
• 정적 점은 임베디드 MPM 입자로 작동하여 복잡한 기하 구조의 미세 해상도를 달성하면서도 계산 비용을 줄인다.
• 캐리어 입자의 밀도와 위치가 모두 최적화 변수로 간주되어 오일러 해법 공간이 라그랑주 프레임워크로 재매개변수화된다.
• MPM 프레임워크를 사용해 비선형 영역에서 정적 평형을 구함으로써 메쉬 없는 방법을 통해 큰 변형과 붕괴를 자연스럽게 지원한다.
• 정적 평형 솔버에 허구 도메인 기반 접촉 모델을 통합하여 접촉 인식 최적화를 가능하게 한다.
• MPM 수식에서 일관된 약한 형태를 통해 선형 및 비선형 탄성의 처리를 통합하는 최적화 프레임워크를 구축한다.

실험 결과

연구 질문

• RQ1 하이브리드 라그랑주-오일러 접근법이 최적화의 해상도를 향상시키고 계산 비용을 줄일 수 있는가?
• RQ2 메쉬 없는 방법을 사용해 메쉬 없는 방법을 통해 큰 변형과 붕괴를 최적화에 자연스럽게 통합할 수 있는가?
• RQ3 접촉 인식이 최적화 과정에 효과적으로 통합되어 새로운 구조적 형태를 발견할 수 있는가?
• RQ4 하이브리드 입자-격자 MPM 프레임워크는 표준 오일러 기반 방법에 비해 목표 함수 향상 측면에서 어느 정도 뛰어나게 되는가?
• RQ5 이 방법은 자기 접촉 또는 비선형 거동을 보이는 비트리비얼한 기능 구조를 발견할 수 있는가?

주요 결과

• 3D에서 LETO는 대표적인 오일러 기반 방법 대비 평균 20% 향상된 목표 함수 성능을 달성하였으며, 최대 40% 향상까지 기록하였다.
• 2D에서는 오일러 기반 기준 대비 평균 2% 향상되었고, 최대 12% 향상까지 기록하였다.
• 이 방법은 하중 하에서 큰 변형과 붕괴를 보이는 새로운 비선형 기능 구조를 성공적으로 발견하였다.
• 접촉 인식 최적화를 통해 자기 접촉 인식 구조 탐색이 가능해져 이전까지 관측되지 않은 하중 지지 구조가 도출되었다.
• 하이브리드 입자-격자 수식은 낮은 격자 해상도를 유지하면서도 미세 해상도를 달성할 수 있도록 해주었다.
• 이 방법은 선형 및 비선형 탄성 처리를 통합하여 다양한 재료 영역에서 일관된 최적화를 가능하게 하였다.