[논문 리뷰] Convolutional Neural Network-based Topology Optimization (CNN-TO) By Estimating Sensitivity of Compliance from Material Distribution

Yusuke Takahashi, Yoshiro Suzuki외 1명|arXiv (Cornell University)|2019. 12. 23.

Topology Optimization in Engineering참고 문헌 32인용 수 7

한 줄 요약

이 논문은 복소 신경망(CNN)을 활용해 재료 밀도 분포에서 직접 응력 감도를 추정함으로써 더 빠르고 효과적인 설계 탐색을 가능하게 하는 새로운 위상 최적화 방법, CNN-TO를 제안한다. 유한요소 메esh 데이터로부터 감도 지도를 예측하도록 트레이닝된 CNN을 통해, 질량 제약 조건 하에서 향상된 구조적 스태디니스를 달성하였으며, 16×32 요소 기준 사례에서 전통적 방법을 능가하였다.

ABSTRACT

This paper proposes a new topology optimization method that applies a convolutional neural network (CNN), which is one deep learning technique for topology optimization problems. Using this method, we acquire a structure with a little higher performance that could not be obtained by the previous topology optimization method. In particular, in this paper, we solve a topology optimization problem aimed at maximizing stiffness with a mass constraint, which is a common type of topology optimization. In this paper, we first formulate the conventional topology optimization by the solid isotropic material with penalization method. Next, we formulate the topology optimization using CNN. Finally, we show the effectiveness of the proposed topology optimization method by solving a verification example, namely a topology optimization problem aimed at maximizing stiffness. In this research, as a result of solving the verification example for a small design area of 16x32 element, we obtain the solution different from the previous topology optimization method. This result suggests that stiffness information of structure can be extracted and analyzed for structural design by analyzing the density distribution using CNN like an image. This suggests that CNN technology can be utilized in the structural design and topology optimization.

연구 동기 및 목표

• 딥러닝을 통합하여 설계 효율성과 성능을 향상시키는 새로운 위상 최적화 프레임워크를 개발하기.
• 복잡하고 직관적이지 않은 구조적 위상 탐색에서 기존 위상 최적화 방법의 한계를 해결하기.
• 반복적인 감도 분석을 학습된 CNN 기반 추정으로 대체함으로써 수렴 속도 향상과 더 높은 스태디니스를 달성하기.
• 밀도 분포에서 구조적 성능 정보를 추출하기 위해 CNN을 사용하는 것이 타당하고 우수한지를 검증하기.

제안 방법

• 기본으로 고체 등방성 재료에 벌크 모듈러스를 적용하는 방법(SIMP)을 사용하여 위상 최적화를 수립한다.
• 2차원 재료 밀도 분포(특징 맵으로 간주됨)를 입력으로 받아 재료 밀도 변화에 대한 응력 감도의 감도 지도를 예측하기 위해 복소 신경망(CNN)을 트레이닝한다.
• CNN의 입력은 2D 재료 밀도 분포(특징 맵으로 간주됨)이며, 출력은 최적성 기준 업데이트 단계에서 사용되는 감도 지도이다.
• CNN은 유한요소 해석 결과 데이터셋을 기반으로 트레이닝되어, 밀도 패턴과 응력 감도 사이의 매핑을 학습한다.
• 최적화 루프는 최적성 기준 방법에 따라 CNN으로 예측된 감도를 사용해 설계 변수를 반복적으로 업데이트한다.
• 각 반복에서 유한요소 문제를 해결하는 대신, 트레이닝된 CNN을 사용한 빠른 추론 단계로 이를 대체함으로써 계산 비용을 절감한다.

실험 결과

연구 질문

• RQ1 복소 신경망은 위상 최적화에서 재료 밀도 분포로부터 응력 감도를 효과적으로 추정할 수 있는가?
• RQ2 CNN 기반 감도 추정은 기존 방법에 비해 향상된 구조적 성능을 이끌어낼 수 있는가?
• RQ3 CNN-TO 방법은 기존 위상 최적화로는 도달할 수 없는 새로운 비직관적 위상 구조를 발견할 수 있는가?
• RQ4 질량 제약 조건 하에서 CNN-TO 방법의 수렴 속도와 최종 스태디니스 성능은 어떠한가?

주요 결과

• CNN-TO 방법은 16×32 요소 검증 사례에서 기존 위상 최적화 방법으로 도출된 구조적 위상과 다른 위상을 성공적으로 생성하였다.
• 제안된 방법은 전통적 접근 방식보다 더 높은 스태디니스 성능을 달성하여, 향상된 설계 품질을 입증하였다.
• CNN은 높은 정확도로 재료 분포와 응력 감도 간의 관계를 학습하고 일반화할 수 있었다.
• 최적화 중 반복적인 유한요소 해석을 빠른 CNN 추론으로 대체함으로써 계산 비용을 크게 절감하였다.
• 결과는 CNN이 밀도 필드로부터 의미 있는 구조적 성능 정보를 추출할 수 있음을 확인하였으며, 위상 최적화의 새로운 길을 열었다.
• 이 연구는 딥러닝이 원시적인 밀도 데이터를 실질적인 감도 지도로 변환함으로써 구조 설계를 향상시킬 잠재력을 입증하였다.