[论文解读] A continuous perspective on modeling of shape optimal design problems

Johannes Haubner, Martin Siebenborn+1 more|arXiv (Cornell University)|Apr 15, 2020

Advanced Numerical Methods in Computational Mathematics参考文献 41被引用 25

一句话总结

该论文提出了一种基于映射方法的连续函数空间形状优化方法，将形状设计重新表述为Sobolev空间中变形场的最优控制问题。通过非线性行列式条件强制实施C¹-微分同胚约束，并利用Laplace-Beltrami扩展保证正则性，该方法无需参数调优即可防止网格退化，在Stokes流中实现了鲁棒的阻力最小化，具有高收敛速率和网格无关的解。

ABSTRACT

In this article we consider shape optimization problems as optimal control problems via the method of mappings. Instead of optimizing over a set of admissible shapes a reference domain is introduced and it is optimized over a set of admissible transformations. The focus is on the choice of the set of transformations, which we motivate from a function space perspective. In order to guarantee local injectivity of the admissible transformations we enrich the optimization problem by a nonlinear constraint. The approach requires no parameter tuning for the extension equation and can naturally be combined with geometric constraints on volume and barycenter of the shape. Numerical results for drag minimization of Stokes flow are presented.

研究动机与目标

• 通过将变形的建模从离散转向连续，解决基于变换的形状优化中的网格退化问题。
• 通过在变形雅可比行列式上施加非线性约束，确保域变换的局部单射性和光滑性。
• 开发一种无需调参的框架，避免先前依赖经验参数的方法对扩展方程进行调参。
• 通过在具有足够正则性的连续函数空间中工作，实现优化过程中的重网格化和自适应加密。
• 通过Hilbert空间公式化，在Stokes流的阻力最小化中实现网格无关的收敛性和精确的最优形状。

提出的方法

• 将形状优化重新表述为在Sobolev空间中对变形场的最优控制问题，采用参考域的映射方法。
• 在L²(Γd)或H¹(Γd)中定义允许的控制，并通过Laplace-Beltrami方程映射，以确保边界数据的高正则性。
• 使用椭圆扩展方程（如Poisson方程或弹性型方程）将边界数据扩展到域内，生成完整的变形场w。
• 通过非线性约束强制实现C¹-微分同胚：在Ω内满足det(∇(id + w)) ≥ η₁ > 0，确保单射性并避免自交。
• 引入正则化项α‖c‖²_X和几何约束g(w) = 0（例如体积和质心约束），以稳定优化过程。
• 使用延续法调整正则化参数α的半光滑牛顿法求解所得的约束优化问题。

实验结果

研究问题

• RQ1 连续的、基于函数空间的形状优化公式能否在不调参扩展方程的情况下避免网格退化？
• RQ2 在连续设置中，如何约束允许变换的集合以确保局部单射性和C¹-微分同胚？
• RQ3 不同控制到变形的映射方式（如法向与切向）对收敛性和最优形状质量有何影响？
• RQ4 所提方法能否在不重新初始化算法的情况下支持优化过程中的自适应网格加密和重网格化？
• RQ5 正则化延续策略的选择如何影响2D和3D Stokes流问题中的收敛性和精度？

主要发现

• 该方法在2D Stokes阻力最小化中实现了网格无关的收敛，最优形状在网格加密下趋于收敛，尤其当采用S3策略（Laplace-Beltrami + 法向扩展）时表现更优。
• 当αtarget = 1×10⁻¹⁰时，S3策略即使在粗网格（1601个三角形）下也产生了相近的最优形状，而S1（仅法向）策略收敛更慢。
• 对于S1（αdec = 1/2），在第14个优化问题之后，半光滑牛顿迭代次数显著增加，原因是目标函数中激活了正部项。
• 在3D中，收敛需要更精细的延续策略：αinit = 1×10⁻¹，αdec = 0.5，αtarget = 1×10⁻⁶，以在40次迭代内保持收敛。
• 使用Laplace-Beltrami方程提升边界正则性，相比直接边界控制，显著提高了解的质量和稳定性。
• 该方法在3D Stokes流中成功生成了光滑且带有褶皱的最优形状，0.28×0.28的放大切片显示了精细的几何细节，证实了其鲁棒性和准确性。