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

Yusuke Takahashi, Yoshiro Suzuki+1 more|arXiv (Cornell University)|Dec 23, 2019

Topology Optimization in Engineering参考文献 32被引用 7

一句话总结

该论文提出了一种新颖的拓扑优化方法——CNN-TO，该方法利用卷积神经网络（CNNs）直接从材料密度分布中估计柔度敏感度，从而实现更快速、更高效的结构设计探索。通过训练CNN从有限元网格数据中预测敏感度图，该方法在质量约束下实现了更高的结构刚度，在16×32单元基准案例中优于传统方法。

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.

研究动机与目标

• 开发一种新型拓扑优化框架，整合深度学习以提升设计效率与性能。
• 解决传统拓扑优化方法在探索复杂、非直观结构拓扑方面的局限性。
• 通过用学习得到的CNN基敏感度估计替代迭代式敏感度分析，实现更快的收敛速度与更高的刚度。
• 验证使用CNN从密度分布中提取结构性能信息的可行性和优越性。

提出的方法

• 该方法以固相各向同性材料惩罚法（SIMP）作为基线，构建拓扑优化框架。
• 训练卷积神经网络（CNN）直接从密度场中预测结构柔度对材料密度变化的敏感度。
• CNN的输入为二维材料密度分布（作为特征图处理），输出为用于最优性准则更新步骤的敏感度图。
• CNN在有限元分析结果数据集上进行训练，学习密度模式与柔度敏感度之间的映射关系。
• 优化循环中，使用CNN预测的敏感度迭代更新设计变量，遵循最优性准则方法。
• 该方法通过使用训练好的CNN进行快速推理，避免了每次迭代中求解有限元问题。

实验结果

研究问题

• RQ1 卷积神经网络能否在拓扑优化中有效估计从材料密度分布中得出的柔度敏感度？
• RQ2 基于CNN的敏感度估计是否相比传统方法能带来更好的结构性能？
• RQ3 CNN-TO方法能否发现传统拓扑优化无法达到的新型、非直观的结构拓扑？
• RQ4 在质量约束下，CNN-TO方法在收敛速度和最终刚度方面表现如何？

主要发现

• CNN-TO方法在16×32单元验证案例中成功生成了与传统拓扑优化结果不同的结构拓扑。
• 所提出的方法在刚度性能上优于传统方法，证明了设计质量的提升。
• CNN能够以高精度学习并泛化材料分布与柔度敏感度之间的关系。
• 通过用快速的CNN推理替代重复的有限元求解，该方法显著降低了计算成本。
• 结果证实，CNN能够从密度场中提取有意义的结构性能信息，为拓扑优化开辟了新路径。
• 本研究验证了深度学习在提升结构设计方面的潜力，通过将原始密度数据转化为可操作的敏感度图。