[논문 리뷰] Deep learning-based topological optimization for representing a user-specified design area

Keigo Nakamura, Yoshiro Suzuki|arXiv (Cornell University)|2020. 04. 11.

Topology Optimization in Engineering참고 문헌 12인용 수 8

한 줄 요약

이 논문은 배치 정규화와 SPADE를 사용한 CNN 기반의 딥러닝 기법을 제안하여 단일 추론 단계에서 사용자가 지정한 설계 영역, 부피 분율, 하중 조건을 반영한 근사 최적의 구조를 생성한다. 이 모델은 SIMP 방법 대비 계산 시간을 83% 감소시켰으며, 설계 영역 제약 조건을 99.6%의 정확도로 준수하고, 평균 응력 오차를 SIMP 해법의 2.75% 이내로 유지한다.

ABSTRACT

Presently, topology optimization requires multiple iterations to create an optimized structure for given conditions. Among the conditions for topology optimization,the design area is one of the most important for structural design. In this study, we propose a new deep learning model to generate an optimized structure for a given design domain and other boundary conditions without iteration. For this purpose, we used open-source topology optimization MATLAB code to generate a pair of optimized structures under various design conditions. The resolution of the optimized structure is 32 * 32 pixels, and the design conditions are design area, volume fraction, distribution of external forces, and load value. Our deep learning model is primarily composed of a convolutional neural network (CNN)-based encoder and decoder, trained with datasets generated with MATLAB code. In the encoder, we use batch normalization (BN) to increase the stability of the CNN model. In the decoder, we use SPADE (spatially adaptive denormalization) to reinforce the design area information. Comparing the performance of our proposed model with a CNN model that does not use BN and SPADE, values for mean absolute error (MAE), mean compliance error, and volume error with the optimized topology structure generated in MAT-LAB code were smaller, and the proposed model was able to represent the design area more precisely. The proposed method generates near-optimal structures reflecting the design area in less computational time, compared with the open-source topology optimization MATLAB code.

연구 동기 및 목표

• 기존의 SIMP 기반 방법을 대체하여 토폴로지 설계에서 반복 최적화 단계를 제거한다.
• 사용자가 지정한 설계 조건(설계 영역, 부피 분율, 하중 분포)으로부터 직접 최적화된 재료 밀도 분포를 생성할 수 있도록 한다.
• 재료가 지정된 설계 영역 외부에 배치되지 않도록 하여 생성된 구조의 정밀도를 향상시킨다.
• SIMP 방법과 유사한 구조적 성능를 유지하면서 계산 비용을 감소시킨다.
• 에코더-디코더 아키텍처에서 배치 정규화와 SPADE를 활용하여 모델 안정성 향상 및 설계 인식 특징 학습을 강화한다.

제안 방법

• 32×32 해상도로 생성된 오픈소스 MATLAB 기반 토폴로지 최적화(SIMP 방법)를 활용해 합성 데이터셋을 생성하고, 이에 기반해 CNN 기반 에코더-디코더 모델을 훈련시켰다.
• 백프로파게이션 중 기울기 흐름을 향상시키고 훈련을 안정화하기 위해 에코더에 배치 정규화(BN)를 적용했다.
• 디코더에 공간적 적응 정규화(SPADE)를 적용하여 공간적 특징 학습을 향상시키고 설계 영역 정보를 강화했다.
• 주로 재료 밀도 분포의 평균 절대 오차(MAE)를 손실 함수로 사용하였으며, 응력 오차 최소화에도 특별한 주의를 기울였다.
• 다양한 시뮬레이션을 통해 설계 영역, 부피 분율, 힘 분포 및 하중 값의 변화를 반영해 훈련 데이터를 생성했다.
• 시험 세트를 활용해 미리 보지 않은 설계 조건에 대한 일반화 능력을 검증하였으며, 응력 및 설계 영역 충실도를 평가했다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 반복 최적화 없이 단일 추론 단계에서 최적의 토폴로지 구조를 생성할 수 있는가?
• RQ2 CNN 모델은 출력된 재료 밀도 분포에서 사용자가 지정한 설계 영역을 어느 정도 유지할 수 있는가?
• RQ3 BN과 SPADE의 통합이 기준 CNN 모델 대비 정확도 및 안정성 향상에 기여하는 정도는 어떠한가?
• RQ4 제안된 모델은 기존의 SIMP 방법 대비 얼마나 빠른가?
• RQ5 모델는 SIMP 해법과 비교해 구조적 성능(예: 평균 응력)을 얼마나 잘 유지하는가?

주요 결과

• 제안된 모델은 SIMP 방법 대비 계산 시간을 83% 감소시켜 단일 프로퍼게이션 내에서 근사 최적의 결과를 도출했다.
• 생성된 재료 밀도 분포 중 99.6%가 사용자가 지정한 설계 영역을 정확히 준수한 반면, Yu 등에 의한 기준 모델은 68.2%에 그쳤다.
• 80% 재료 밀도에서 CNN으로 생성된 구조와 SIMP 해법 간의 평균 응력 오차는 2.75% 이내로 유지되어 높은 구조적 충실도를 입증했다.
• BN과 SPADE를 통합한 모델은 이러한 구성 요소가 없는 기준 모델 대비 더 낮은 MAE(0.014)와 응력 오차를 기록했다.
• 개선된 성능에도 불구하고, 모델은 종종 끊어진 재료 밀도 분포를 생성하여 높은 응력 오차를 유발했으며, 이는 MAE 중심의 손실 함수만으로는 한계가 있음을 시사한다.
• 모델는 다양한 설계 영역과 하중 구성 조건에 대해 뛰어난 일반화 능력을 보였으며, 높은 정확도를 유지했다.