This paper presents a density-based topology optimization approach to design structures under self-weight load. Such loads change their magnitude and/or location as the topology optimization advances and pose several unique challenges, e.g., non-monotonous behavior of compliance objective, parasitic effects of the low-stiffness elements and unconstrained nature of the problems. The modified SIMP material interpolation in conjunction with the three-field density representation technique (original, filtered and projected design fields) is employed to achieve optimized solutions close to 0-1. Thus, parasitic effects of low-stiffness elements are circumvented. The mass density of each element is interpolated via a smooth Heaviside function yielding continuous transition between solid and void states of elements. This helps formulate a constraint on the maximum magnitude of the self-weight for the given volume in a such a manner that which implicitly imposes a lower bound on the permitted volume. The propose approach maintains the constrained nature of the optimization problem. Load sensitivities are evaluated using the adjoint-variable method. Compliance of the domain is minimized to achieve the optimized designs using the Method of Moving Asymptotes. Efficacy and robustness of the presented approach is demonstrated by designing various 2D and 3D structures involving self-weight.


翻译:本文介绍了在自重负荷下设计结构的基于密度的地形优化方法,这种负荷随着地形优化的进步而改变其规模和/或位置,并构成若干独特的挑战,例如:非单体性遵守目标行为、低阻力元素的寄生效应和问题不受限制的性质。与三地密度代表技术(原型、过滤型和预测型设计字段)相结合的经修改的SIMP材料内插法,用于实现接近0-1的优化解决方案。因此,低阻力元素的寄生效应被绕开。每个元素的质量密度通过平滑的重力边功能相互交错,在元素的固态和空质状态之间产生连续的过渡。这有助于形成对特定体积的自重最大程度的限制,这种限制意味着对允许体积(原型、过滤型和预测型设计场积)的束缚较小。提议的方法保持优化问题的局限性性质。使用可组合式方法对负荷敏感度进行评估。域的合规性被最小化,以便使用稳态的D型结构实现优化设计。

0
下载
关闭预览

相关内容

Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2022年1月31日
Arxiv
0+阅读 · 2022年1月29日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员