[论文解读] TopologyGAN: Topology Optimization Using Generative Adversarial Networks Based on Physical Fields Over the Initial Domain

Zhenguo Nie, Tong Lin+2 more|arXiv (Cornell University)|Mar 5, 2020

Topology Optimization in Engineering被引用 15

一句话总结

TopologyGAN 提出了一种用于拓扑优化的条件生成对抗网络（cGAN），该网络将初始未优化区域中的物理场（如 von Mises 应力和应变能密度）作为输入，显著提升了泛化能力。通过将这些密集的、空间信息丰富的物理场与边界条件结合，TopologyGAN 在未见过的边界条件下，相比基线 cGAN，将均方误差的测试误差降低了近 3 倍，平均绝对误差降低了 2.5 倍。

ABSTRACT

In topology optimization using deep learning, load and boundary conditions represented as vectors or sparse matrices often miss the opportunity to encode a rich view of the design problem, leading to less than ideal generalization results. We propose a new data-driven topology optimization model called TopologyGAN that takes advantage of various physical fields computed on the original, unoptimized material domain, as inputs to the generator of a conditional generative adversarial network (cGAN). Compared to a baseline cGAN, TopologyGAN achieves a nearly $3 imes$ reduction in the mean squared error and a $2.5 imes$ reduction in the mean absolute error on test problems involving previously unseen boundary conditions. Built on several existing network models, we also introduce a hybrid network called U-SE(Squeeze-and-Excitation)-ResNet for the generator that further increases the overall accuracy. We publicly share our full implementation and trained network.

研究动机与目标

• 解决基于深度学习的拓扑优化方法在面对新型边界条件时泛化能力有限的问题。
• 克服传统边界条件表示方式（如向量或矩阵）的稀疏性，这些方式限制了对空间和物理信息的访问。
• 通过将原始未优化区域中的密集物理场（如应力和应变能）作为输入特征，提升模型的泛化能力。
• 开发一种混合神经网络架构，以增强拓扑生成中的特征学习与重建精度。
• 实现快速、数据驱动的拓扑优化，其结果与基于 SIMP 方法的仿真真实解高度一致。

提出的方法

• 采用条件生成对抗网络（cGAN）框架，其中生成器不仅接收边界条件和体积分数，还接收在初始未优化区域上计算出的密集物理场作为输入。
• 在优化前于原始设计区域上计算关键物理场，如 von Mises 应力、应变能密度、位移和应变场。
• 将这些物理场作为额外的输入通道输入生成器，使输入表征超越稀疏的边界条件向量。
• 训练判别器以区分真实优化后的拓扑与生成的拓扑，同时将物理场和原始输入作为条件输入。
• 设计一种新型混合生成器架构 U-SE-ResNet，结合 U-Net 的跳跃连接与 SE-ResNet 的注意力残差模块，以提升特征学习与重建能力。
• 使用通过 SIMP 方法生成的真实拓扑进行模型训练，确保与成熟的拓扑优化标准保持一致。

实验结果

研究问题

• RQ1 在初始未优化区域上计算的密集物理场是否能提升基于深度学习的拓扑优化模型的泛化能力？
• RQ2 与仅使用边界条件相比，将 von Mises 应力和应变能密度等物理场纳入 cGAN 在拓扑优化中的性能有何影响？
• RQ3 混合生成器架构（U-SE-ResNet）对未见测试场景中拓扑生成的准确性与鲁棒性有何影响？
• RQ4 该模型在未见训练阶段的新型边界条件下，其泛化能力有多强，特别是在误差降低方面的表现如何？
• RQ5 不同物理场组合对最终拓扑生成性能及误差指标的影响如何？

主要发现

• 与基线 cGAN 相比，TopologyGAN 在未见过的边界条件下的测试问题中，将均方误差（MSE）降低了近 3 倍，平均绝对误差（MAE）降低了 2.5 倍。
• U-SE-ResNet 生成器架构在三种测试架构（U-Net、SE-ResNet、U-SE-ResNet）中实现了最低的测试误差（MSE: 0.001340，MAE: 0.018022）。
• von Mises 应力与应变能密度场的组合（VF + σ_vm + W）表现最佳，测试 MSE 为 0.001340，MAE 为 0.018022。
• 将物理场作为输入可显著提升泛化能力：TopologyGAN 在未见条件下的测试误差低于基线 cGAN 在未见条件下的训练误差。
• 该模型在预测优化拓扑方面表现出高精度，最佳配置（VF + σ_vm + W）的测试 MSE 为 0.001340，MAE 为 0.018022。
• 完整实现与训练好的模型已公开发布于 https://github.com/zhenguonie/TopologyGAN，支持可复现性与进一步研究。