In this paper, a mechanistic data-driven approach is proposed to accelerate structural topology optimization, employing an in-house developed finite element convolutional neural network (FE-CNN). Our approach can be divided into two stages: offline training, and online optimization. During offline training, a mapping function is built between high and low resolution representations of a given design domain. The mapping is expressed by a FE-CNN, which targets a common objective function value (e.g., structural compliance) across design domains of differing resolutions. During online optimization, an arbitrary design domain of high resolution is reduced to low resolution through the trained mapping function. The original high-resolution domain is thus designed by computations performed on only the low-resolution version, followed by an inverse mapping back to the high-resolution domain. Numerical examples demonstrate that this approach can accelerate optimization by up to an order of magnitude in computational time. Our proposed approach therefore shows great potential to overcome the curse-of-dimensionality incurred by density-based structural topology optimization. The limitation of our present approach is also discussed.


翻译:本文建议采用机械数据驱动方法,以加速结构地形优化,采用内部开发的有限元素进化神经网络(FE-CNN)。我们的方法可以分为两个阶段:离线培训和在线优化。在离线培训期间,在一个特定设计域的高分辨率和低分辨率表示之间构建了绘图功能。绘图由FE-CNN表示,该方法针对不同分辨率设计领域的共同客观功能价值(如结构合规性);在网上优化过程中,高分辨率的任意设计领域通过训练有素的绘图功能降低到低分辨率。因此,最初的高分辨率域的设计只能以低分辨率版本进行计算,然后逆向绘图回溯至高分辨率域。数字实例表明,这一方法可以加速优化,在计算时达到一个数量级。因此,我们提出的方法显示出克服基于密度的结构表层优化造成的极限的巨大潜力。我们目前方法的局限性也得到了讨论。

0
下载
关闭预览

相关内容

最优化是应用数学的一个分支,主要指在一定条件限制下,选取某种研究方案使目标达到最优的一种方法。最优化问题在当今的军事、工程、管理等领域有着极其广泛的应用。
专知会员服务
22+阅读 · 2021年4月10日
专知会员服务
76+阅读 · 2021年3月16日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
【CNN】一文读懂卷积神经网络CNN
产业智能官
18+阅读 · 2018年1月2日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
CNN之卷积层
机器学习算法与Python学习
8+阅读 · 2017年7月2日
Arxiv
0+阅读 · 2021年8月27日
Arxiv
5+阅读 · 2021年2月8日
Arxiv
19+阅读 · 2020年7月13日
Arxiv
3+阅读 · 2020年4月29日
Arxiv
3+阅读 · 2018年2月11日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员