[논문 리뷰] A Novel Topology Optimization Approach using Conditional Deep Learning

Sharad Rawat, M.-H. Herman Shen|arXiv (Cornell University)|2019. 01. 14.

Topology Optimization in Engineering참고 문헌 17인용 수 50

한 줄 요약

본 논문은 planar 구조에 대해 기존의 토폴로지 최적화를 모방하는 조건부 Wasserstein GAN(CWGAN) 프레임워크를 제시하여 설정 가능한 설계 조건으로 최적화된 설계의 초저비용 생성을 가능하게 한다.

ABSTRACT

In this study, a novel topology optimization approach based on conditional Wasserstein generative adversarial networks (CWGAN) is developed to replicate the conventional topology optimization algorithms in an extremely computationally inexpensive way. CWGAN consists of a generator and a discriminator, both of which are deep convolutional neural networks (CNN). The limited samples of data, quasi-optimal planar structures, needed for training purposes are generated using the conventional topology optimization algorithms. With CWGANs, the topology optimization conditions can be set to a required value before generating samples. CWGAN truncates the global design space by introducing an equality constraint by the designer. The results are validated by generating an optimized planar structure using the conventional algorithms with the same settings. A proof of concept is presented which is known to be the first such illustration of fusion of CWGANs and topology optimization.

연구 동기 및 목표

• 전통적인 알고리즘으로부터 학습하여 토폴로지 최적화의 계산 비용 감소를 촉진한다.
• 제어된 설계 매개변수를 통해 준최적 토폴로지를 재현하기 위한 CWGAN 기반 모델을 개발한다.
• 조건부가 설계 공간을 축소하고 사전에 지정된 최적화 기준을 가능하게 함을 입증한다.

제안 방법

• 깊은 CNN 생성기와 판별기를 갖춘 조건부 Wasserstein GAN을 사용한다.
• 전통적인 토폴로지 최적화 알고리즘으로 생성된 준최적의 평면 구조를 학습한다.
• 설계자가 지정한 요구사항에 CWGAN을 조건화하기 위한 등식 제약을 도입한다.
• 전통 방법과 동일한 설정으로 최적화된 평면 구조를 생성하여 검증한다.

실험 결과

연구 질문

• RQ1 CWGAN이 평면 구조에 대한 준최적 토폴로지 최적화 결과를 재현할 수 있는가?
• RQ2 설계 요구사항으로 CWGAN을 조건화하는 것이 설계 공간을 효과적으로 제약하는가?
• RQ3 동일한 설정에서 CWGAN으로 생성된 설계가 기존 토폴로지 최적화 결과와 어떻게 비교되는가?

주요 결과

• CWGAN과 토폴로지 최적화를 결합하는 개념 증명을 제시한다.
• CWGAN은 미리 정의된 설계 값으로 조건화된 토폴로지 샘플을 생성할 수 있다.
• 이 방법은 계산적으로 저비용으로 기존 최적화 결과를 재현하는 것을 목표로 한다.