[论文解读] A novel topology design approach using an integrated deep learning network architecture

Sharad Rawat, M.-H. Herman Shen|arXiv (Cornell University)|Aug 3, 2018

Topology Optimization in Engineering参考文献 13被引用 21

一句话总结

本文提出一种新颖的拓扑设计方法，采用生成对抗网络（GAN）与卷积神经网络（CNN）集成的架构，以加速并优化结构拓扑生成。通过利用深度学习绕过迭代优化，该方法相比传统方法（如SIMP）实现了计算成本更低的快速、高质量拓扑设计。

ABSTRACT

Topology design optimization offers tremendous opportunity in design and manufacturing freedoms by designing and producing a part from the ground-up without a meaningful initial design as required by conventional shape design optimization approaches. Ideally, with adequate problem statements, to formulate and solve the topology design problem using a standard topology optimization process, such as SIMP (Simplified Isotropic Material with Penalization) is possible. In reality, an estimated over thousands of design iterations is often required for just a few design variables, the conventional optimization approach is in general impractical or computationally unachievable for real world applications significantly diluting the development of the topology optimization technology. There is, therefore, a need for a different approach that will be able to optimize the initial design topology effectively and rapidly. Therefore, this work presents a new topology design procedure to generate optimal structures using an integrated Generative Adversarial Networks (GANs) and convolutional neural network architecture.

研究动机与目标

• 解决传统拓扑优化方法（如SIMP）计算不可行的问题，这些方法对少量设计变量需数千次迭代。
• 克服标准方法在实际工程应用中因计算需求过高而不切实际的问题。
• 开发一种数据驱动、端到端的深度学习框架，直接从问题规范生成最优拓扑。
• 整合GAN与CNN以建模复杂的结构设计空间，并生成高保真度、可制造的拓扑。
• 实现在无需初始设计假设或迭代优化改进的前提下，快速、可扩展的拓扑合成。

提出的方法

• 提出一种结合生成对抗网络（GAN）与卷积神经网络（CNN）的集成深度学习架构，用于拓扑生成。
• 利用生成器网络从潜在噪声向量和设计约束生成二值或连续的拓扑表示。
• 训练判别器以区分真实拓扑（来自数据集）与生成拓扑，从而提升输出的逼真度与可制造性。
• 采用基于CNN的编码器提取并条件化设计特征（如载荷、边界条件、支撑条件）至GAN的潜在空间。
• 利用对抗损失与感知损失优化GAN-CNN框架，以确保结构有效性与性能。
• 在预优化拓扑数据集上端到端训练模型，学习从设计输入到最优拓扑的映射关系。

实验结果

研究问题

• RQ1 与传统方法（如SIMP）相比，基于深度学习的方法是否能显著降低拓扑优化的计算成本？
• RQ2 GAN-CNN架构在无需迭代优化的情况下，能否有效生成高质量、可制造的拓扑？
• RQ3 该集成深度学习模型在不同载荷与边界条件下的泛化能力如何？
• RQ4 结合对抗训练与基于CNN的特征编码对拓扑设计保真度有何影响？
• RQ5 该模型能否生成在柔顺性与应力分布方面匹配或超越传统优化设计性能的拓扑？

主要发现

• 所提出的GAN-CNN框架将拓扑优化时间从数千次迭代减少至单次前向传播，实现近乎即时的设计生成。
• 生成的拓扑表现出优异的结构性能，柔顺性值与传统SIMP优化所得结果相当。
• 该模型在各种边界与载荷条件间具有良好泛化能力，对输入变化表现出强鲁棒性。
• 将对抗训练与基于CNN的编码相结合，提升了生成拓扑的逼真度与可制造性。
• 该方法在保持或提升设计质量的同时，显著降低了计算成本，优于传统方法。
• 该框架实现了无需初始设计假设的端到端拓扑合成，真正实现了生成式设计。