[논문 리뷰] Data-Driven Topology Optimization with Multiclass Microstructures using Latent Variable Gaussian Process

Liwei Wang, Siyu Tao외 2명|arXiv (Cornell University)|2020. 06. 27.

Topology Optimization in Engineering참고 문헌 63인용 수 5

한 줄 요약

이 논문은 다중 클래스 미세구조를 포함한 다스케일 설계에서 데이터 기반의 구조 최적화를 가능하게 하는 다중 응답 잠재변수 가우시안 프로세스(MR-LVGP) 모델을 제안한다. 정성적인 미세구조 개념과 정량적인 설계 변수를 연속적이고 미분 가능한 잠재 공간에 통합함으로써, 미세구조 클래스 간의 부드러운 전이와 하중 전달 효율성 향상을 가능하게 하여, 비정형 구조 최적화에서 뛰어난 성능을 보여준다.

ABSTRACT

The data-driven approach is emerging as a promising method for the topological design of multiscale structures with greater efficiency. However, existing data-driven methods mostly focus on a single class of microstructures without considering multiple classes to accommodate spatially varying desired properties. The key challenge is the lack of an inherent ordering or distance measure between different classes of microstructures in meeting a range of properties. To overcome this hurdle, we extend the newly developed latent-variable Gaussian process (LVGP) models to create multi-response LVGP (MR-LVGP) models for the microstructure libraries of metamaterials, taking both qualitative microstructure concepts and quantitative microstructure design variables as mixed-variable inputs. The MR-LVGP model embeds the mixed variables into a continuous design space based on their collective effects on the responses, providing substantial insights into the interplay between different geometrical classes and material parameters of microstructures. With this model, we can easily obtain a continuous and differentiable transition between different microstructure concepts that can render gradient information for multiscale topology optimization. We demonstrate its benefits through multiscale topology optimization with aperiodic microstructures. Design examples reveal that considering multiclass microstructures can lead to improved performance due to the consistent load-transfer paths for micro- and macro-structures.

연구 동기 및 목표

• 기존의 데이터 기반 방법이 단일 미세구조 클래스에 집중하여 공간적으로 변화하는 재료 성질을 忽시하는 한계를 해결하기 위해.
• 정성적인 미세구조 개념과 정량적 설계 변수를 공유된 잠재 공간에 통합하는 통합 프레임워크를 개발하기 위해.
• 기하학적 최적화를 위한 기울기 기반 다스케일 구조 최적화를 위해, 서로 다른 미세구조 클래스 간에 연속적이고 미분 가능한 전이를 가능하게 하기 위해.
• 다중 클래스 미세구조 통합을 통해 일관된 하중 전달 경로를 제공함으로써 구조적 성능을 향상시키기 위해.
• 복잡하고 이질적인 미세구조를 포함한 비정형 구조 최적화에서 이 방법의 효과성을 입증하기 위해.

제안 방법

• 논문은 다양한 미세구조 클래스에서 다수의 응답(예: 등效 재료 성질)을 함께 모델링하는 다중 응답 잠재변수 가우시안 프로세스(MR-LVGP) 모델을 도입한다.
• 정성적인 미세구조 개념과 정량적 설계 변수를 포함하는 혼합형 입력 변수들이 딥 네ural 네트워크 기반 매핑을 통해 연속적인 잠재 공간에 매핑된다.
• 잠재 공간은 유사한 기계적 응답을 보이는 미세구조들이 더 가까이 위치하도록 학습되며, 이는 보간과 기울기 계산을 가능하게 한다.
• 모델은 미세구조 개념에 대한 연속적이고 미분 가능한 표현을 제공하여 기울기 기반 구조 최적화 파이프라인에 원활하게 통합할 수 있다.
• 잠재 공간에서 가우시안 프로세스 회귀를 활용하여 효과적 성질을 예측하고 불확도 정량화를 수행한다.
• 이 프레임워크는 하나의 통합 모델 내에서 미세구조 유형의 분류와 기계적 응답의 회귀를 모두 지원한다.

실험 결과

연구 질문

• RQ1 정성적이고 정량적인 모두의 이질적인 미세구조 클래스를 공유된 연속적 설계 공간에 효과적으로 통합할 수 있는가?
• RQ2 잠재변수 가우시안 프로세스 모델은 서로 다른 클래스 간에 미세구조 기하학과 기계적 응답 간의 상호작용을 어떻게 유지하는가?
• RQ3 다중 클래스 미세구조의 통합이 다스케일 구조 최적화에서 하중 전달 효율성에 어느 정도 향상시키는가?
• RQ4 제안된 MR-LVGP 모델은 기울기 기반 최적화에 활용 가능한 서로 다른 미세구조 개념 간에 부드럽고 미분 가능한 전이를 생성할 수 있는가?
• RQ5 MR-LVGP 프레임워크를 통해 다중 클래스 미세구조를 활용할 경우 비정형 구조 최적화에서 어떤 성능 향상이 달성될 수 있는가?

주요 결과

• MR-LVGP 모델은 혼합형 입력 변수인 미세구조를 연속적이고 미분 가능한 잠재 공간에 성공적으로 통합하여 서로 다른 미세구조 클래스 간의 보간을 가능하게 하였다.
• 이 방법은 마이크로 및 매크로 구조에서 일관된 하중 전달 경로를 제공하여 비정형 설계에서 향상된 구조적 성능을 이끌어냈다.
• 다중 클래스 미세구조 통합은 단일 클래스 접근 방식에 비해 높은 성능을 보였으며, 다스케일 구조 최적화 사례를 통해 입증되었다.
• 잠재 공간은 미세구조 개념과 설계 변수가 등효성 재료 성질에 미치는 종합적 영향을 포착하여 기하학과 기계적 성질 간의 의미 있는 상호작용을 드러내었다.
• 모델은 성질 예측에 대한 불확도 추정치를 제공하여 잠재 공간 내에서 견고한 설계 탐색을 지원한다.
• 잠재 표현의 미분 가능성 덕분에 기울기 기반 최적화가 가능해져 효율적인 다스케일 구조 최적화 합성에 기여하였다.