在传统拓扑优化设计中,随着结构单元增加,迭代计算过程消耗了大量的时间。本文提出了一种基于深度学习的方法来加速拓扑优化设计过程,缩短了结构拓扑优化设计的迭代过程,并生成了高分辨率拓扑优化结构。利用深度学习方法,在低分辨率中...在传统拓扑优化设计中,随着结构单元增加,迭代计算过程消耗了大量的时间。本文提出了一种基于深度学习的方法来加速拓扑优化设计过程,缩短了结构拓扑优化设计的迭代过程,并生成了高分辨率拓扑优化结构。利用深度学习方法,在低分辨率中间构型与高分辨率拓扑构型之间创建高维映射关系,利用独立、连续和映射(ICM)方法建立深度学习网络所需要的数据集,训练神经网络以实现加速过程,将结构拓扑优化设计问题转化为图像处理中的风格迁移问题。通过引入条件生成对抗式神经网络CGAN(Conditional Generative and Adversarial Network)解决了跨分辨率拓扑优化问题,实验验证了优化过程效率的提高,该方法具有良好的泛化性能,研究模型在其他结构优化设计中具有可推广性。展开更多
文摘在传统拓扑优化设计中,随着结构单元增加,迭代计算过程消耗了大量的时间。本文提出了一种基于深度学习的方法来加速拓扑优化设计过程,缩短了结构拓扑优化设计的迭代过程,并生成了高分辨率拓扑优化结构。利用深度学习方法,在低分辨率中间构型与高分辨率拓扑构型之间创建高维映射关系,利用独立、连续和映射(ICM)方法建立深度学习网络所需要的数据集,训练神经网络以实现加速过程,将结构拓扑优化设计问题转化为图像处理中的风格迁移问题。通过引入条件生成对抗式神经网络CGAN(Conditional Generative and Adversarial Network)解决了跨分辨率拓扑优化问题,实验验证了优化过程效率的提高,该方法具有良好的泛化性能,研究模型在其他结构优化设计中具有可推广性。
