[论文解读] Deep learning-based topological optimization for representing a user-specified design area

Keigo Nakamura, Yoshiro Suzuki|arXiv (Cornell University)|Apr 11, 2020

Topology Optimization in Engineering参考文献 12被引用 8

一句话总结

该论文提出了一种基于深度学习的拓扑优化方法，采用带有批量归一化和SPADE的卷积神经网络（CNN），在单次前向推理中生成接近最优的结构，准确反映用户指定的设计区域、体积分数和载荷条件。与SIMP方法相比，该模型将计算时间减少了83%，在遵守设计区域约束方面达到99.6%的准确率，且平均柔度误差保持在SIMP解的2.75%以内。

ABSTRACT

Presently, topology optimization requires multiple iterations to create an optimized structure for given conditions. Among the conditions for topology optimization,the design area is one of the most important for structural design. In this study, we propose a new deep learning model to generate an optimized structure for a given design domain and other boundary conditions without iteration. For this purpose, we used open-source topology optimization MATLAB code to generate a pair of optimized structures under various design conditions. The resolution of the optimized structure is 32 * 32 pixels, and the design conditions are design area, volume fraction, distribution of external forces, and load value. Our deep learning model is primarily composed of a convolutional neural network (CNN)-based encoder and decoder, trained with datasets generated with MATLAB code. In the encoder, we use batch normalization (BN) to increase the stability of the CNN model. In the decoder, we use SPADE (spatially adaptive denormalization) to reinforce the design area information. Comparing the performance of our proposed model with a CNN model that does not use BN and SPADE, values for mean absolute error (MAE), mean compliance error, and volume error with the optimized topology structure generated in MAT-LAB code were smaller, and the proposed model was able to represent the design area more precisely. The proposed method generates near-optimal structures reflecting the design area in less computational time, compared with the open-source topology optimization MATLAB code.

研究动机与目标

• 通过用基于深度学习的模型替代传统的SIMP方法，消除拓扑设计中的迭代优化步骤。
• 实现从用户指定的设计条件（包括设计区域、体积分数和载荷分布）直接生成优化后的材料密度分布。
• 通过确保材料不放置在指定设计区域之外，提高生成结构的保真度。
• 在保持结构性能接近SIMP方法的同时，降低计算成本。
• 通过在编码器-解码器架构中使用批量归一化和SPADE，提升模型稳定性与设计感知特征学习能力。

提出的方法

• 在使用开源MATLAB-based拓扑优化（SIMP方法）生成的32×32分辨率合成数据集上，训练基于CNN的编码器-解码器模型。
• 在编码器中采用批量归一化（BN），以稳定训练过程并改善反向传播中的梯度流动。
• 在解码器中应用SPADE（空间自适应归一化），以增强空间特征学习并强化设计区域信息。
• 以材料密度分布的平均绝对误差（MAE）作为主要损失函数，并额外关注最小化柔度误差。
• 通过在多个仿真中改变设计区域、体积分数、载荷分布和载荷值，生成训练数据。
• 使用包含未见过的设计条件的测试集验证模型泛化能力，并评估柔度和设计区域保真度。

实验结果

研究问题

• RQ1 深度学习模型是否能够在无需迭代优化的情况下，通过单次推理生成优化后的拓扑结构？
• RQ2 CNN模型在输出材料密度分布中，能在多大程度上保持用户指定的设计区域？
• RQ3 与基线CNN相比，引入BN和SPADE在多大程度上提升了拓扑生成的准确性和稳定性？
• RQ4 与传统SIMP方法相比，所提模型的计算速度提升了多少？
• RQ5 与SIMP解相比，该模型在保持结构性能（如平均柔度）方面表现如何？

主要发现

• 与SIMP方法相比，所提模型将计算时间减少了83%，在单次前向传播中即达到接近最优的结果。
• 99.6%的生成材料密度分布正确遵守了用户指定的设计区域，而Yu等人提出的基线模型仅为68.2%。
• 在80%材料密度下，CNN生成结构与SIMP解之间的平均柔度误差保持在2.75%以内，表明具有较高的结构保真度。
• 采用BN和SPADE的模型相比无这些组件的基线模型，实现了更低的MAE（0.014）和柔度误差。
• 尽管有所改进，该模型偶尔会产生不连续的材料密度分布，导致较高的柔度误差，表明仅使用MAE损失函数存在局限性。
• 该模型在未见过的设计条件下表现出强大的泛化能力，在各种设计区域和载荷配置下均保持高准确度。