[论文解读] A deep Convolutional Neural Network for topology optimization with strong generalization ability

Yi‐Quan Zhang, Bo Peng+3 more|arXiv (Cornell University)|Jan 23, 2019

Topology Optimization in Engineering参考文献 13被引用 64

一句话总结

该论文提出一种具有 U‑Net 类架构的深度 CNN，用于拓扑优化，在基于 SIMP 的数据上训练，设计速度更快，最优性可比且对未见边界条件具有良好泛化。

ABSTRACT

This paper proposes a deep Convolutional Neural Network(CNN) with strong generalization ability for structural topology optimization. The architecture of the neural network is made up of encoding and decoding parts, which provide down- and up-sampling operations. In addition, a popular technique, namely U-Net, was adopted to improve the performance of the proposed neural network. The input of the neural network is a well-designed tensor with each channel includes different information for the problem, and the output is the layout of the optimal structure. To train the neural network, a large dataset is generated by a conventional topology optimization approach, i.e. SIMP. The performance of the proposed method was evaluated by comparing its efficiency and accuracy with SIMP on a series of typical optimization problems. Results show that a significant reduction in computation cost was achieved with little sacrifice on the optimality of design solutions. Furthermore, the proposed method can intelligently solve problems under boundary conditions not being included in the training dataset.

研究动机与目标

• 开发用于结构拓扑优化的神经网络框架。
• 利用编码器–解码器（U‑Net）架构执行下采样与上采样。
• 使用精心设计的多通道输入张量来编码问题信息。
• 从学习到的表示中输出最优结构的布局。
• 在速度和准确性方面评估与传统 SIMP 优化的性能对比。

提出的方法

• 采用带下采样和上采样组件的编码器–解码器 CNN 架构。
• 引入 U‑Net 风格设计以提升拓扑优化任务的性能。
• 将输入设计为多通道张量，其中每个通道编码不同的问题信息。
• 在由传统 SIMP 拓扑优化生成的大规模数据集上训练网络。
• 将预测的最优结构布局输出为网络的最终预测。
• 在典型优化问题中对比 SIMP 的效率和准确性。

实验结果

研究问题

• RQ1 深度 CNN 是否能够将拓扑优化解泛化到训练时未见过的边界条件？
• RQ2 在用学习模型替代 SIMP 时，计算成本与设计最优性之间有哪些权衡？
• RQ3 基于 U‑Net 的架构如何影响拓扑优化任务的性能？

主要发现

• 所提出的 CNN 在显著降低计算成本的同时，对设计最优性的损失很小。
• 该网络在训练集之外的边界条件上展示出智能泛化。
• 训练依赖于由传统 SIMP 优化生成的数据集，使模型能够学习到规范解。