[논문 리뷰] A novel topology design approach using an integrated deep learning network architecture

Sharad Rawat, M.-H. Herman Shen|arXiv (Cornell University)|2018. 08. 03.

Topology Optimization in Engineering참고 문헌 13인용 수 21

한 줄 요약

이 논문은 구조적 토폴로지 생성을 가속화하고 최적화하기 위해 통합된 생성적 적대 신경망(GAN)과 합성곱 신경망(CNN) 아키텍처를 사용한 새로운 토폴로지 설계 방법을 제안한다. 반복 최적화를 회피하기 위해 딥 러닝을 활용함으로써, 기존의 SIMP와 같은 방법에 비해 계산 비용을 줄이고 빠르며 고품질의 토폴로지 설계를 달성한다.

ABSTRACT

Topology design optimization offers tremendous opportunity in design and manufacturing freedoms by designing and producing a part from the ground-up without a meaningful initial design as required by conventional shape design optimization approaches. Ideally, with adequate problem statements, to formulate and solve the topology design problem using a standard topology optimization process, such as SIMP (Simplified Isotropic Material with Penalization) is possible. In reality, an estimated over thousands of design iterations is often required for just a few design variables, the conventional optimization approach is in general impractical or computationally unachievable for real world applications significantly diluting the development of the topology optimization technology. There is, therefore, a need for a different approach that will be able to optimize the initial design topology effectively and rapidly. Therefore, this work presents a new topology design procedure to generate optimal structures using an integrated Generative Adversarial Networks (GANs) and convolutional neural network architecture.

연구 동기 및 목표

• 소수의 설계 변수에 대해 수천 번의 반복을 요구하는 기존의 토폴로지 최적화 방법(SIMP)의 계산 비용 문제를 해결한다.
• 높은 계산 요구량으로 인해 실생활 공학 적용에서 비현실적인 표준 방법의 문제를 해결한다.
• 설계 사양에서 직접 최적의 토폴로지를 생성하는 데이터 기반, 엔드 투 엔드 딥 러닝 프레임워크를 개발한다.
• 복잡한 구조 설계 공간을 모델링하고 고해상도이자 제조 가능성이 있는 토폴로지를 생성하기 위해 GAN과 CNN을 통합한다.
• 초기 설계 가정이나 반복 보정에 의존하지 않고 빠르고 확장 가능한 토폴로지 합성 기능을 제공한다.

제안 방법

• 생성적 적대 신경망(GAN)과 합성곱 신경망(CNN)을 융합한 통합 딥 러닝 아키텍처를 제안하여 토폴로지 생성에 활용한다.
• 생성기 네트워크를 사용해 잠재 노이즈 벡터와 설계 제약 조건에서 이진 또는 연속적인 토폴로지 표현을 생성한다.
• 진짜 토폴로지(데이터셋에서 취득)와 생성된 토폴로지를 구별할 수 있도록 판별기 모델을 훈련시켜 출력의 현실성과 제조 가능성을 향상시킨다.
• CNN 기반 인코더를 활용해 설계 특징(예: 하중, 경계 조건, 지지 조건 등)을 GAN의 잠재 공간에 통합한다.
• 생성적 적대 손실과 인지 손실을 사용해 GAN-CNN 프레임워크를 최적화하여 구조적 타당성과 성능을 확보한다.
• 사전 최적화된 토폴로지 데이터셋을 기반으로 엔드 투 엔드로 모델을 훈련시어 설계 입력에서 최적의 토폴로지로의 매핑을 학습시킨다.

실험 결과

연구 질문

• RQ1 기존의 방법(SIMP 등)에 비해 딥 러닝 기반 접근이 토폴로지 최적화의 계산 비용을 크게 줄일 수 있는가?
• RQ2 반복 최적화 없이 GAN-CNN 아키텍처가 고품질이고 제조 가능한 토폴로지를 얼마나 효과적으로 생성할 수 있는가?
• RQ3 통합된 딥 러닝 모델이 다양한 하중 및 경계 조건에 대해 얼마나 잘 일반화되는가?
• RQ4 생성적 적대 훈련과 CNN 기반 특징 인코딩을 통합했을 때 토폴로지 설계의 정확도에 어떤 영향을 미치는가?
• RQ5 기존 최적화 방법으로 도출된 설계와 비교해 성능(탄성도 및 응력 분포 측면)이 유사하거나 이를 초월하는 토폴로지를 생성할 수 있는가?

주요 결과

• 제안된 GAN-CNN 프레임워크는 토폴로지 최적화 시간을 수천 번의 반복에서 단일 전방 전파로 줄여 거의 즉각적인 설계 생성을 달성한다.
• 생성된 토폴로지의 구조적 성능은 기존의 SIMP 최적화로 도출된 결과와 유사한 탄성도 값을 보이며 높은 성능을 확보한다.
• 다양한 경계 조건 및 하중 조건에 대해 잘 일반화되어 있으며, 입력 변동에 대한 강건성을 입증한다.
• 생성적 적대 훈련과 CNN 기반 인코딩의 통합은 생성된 토폴로지의 현실성과 제조 가능성을 향상시킨다.
• 전통적 방법 대비 계산 비용을 크게 줄였으며, 설계 품질을 유지하거나 향상시킨다.
• 이 프레임워크는 초기 설계 가정이 필요 없이 엔드 투 엔드 토폴로지 합성을 가능하게 하여 진정한 생성 설계를 실현한다.