[发明专利]一种基于Mobile-U-Net的多尺度拓扑优化设计方法

权利要求书

1.一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，该方法包括下列步骤：

S1对于多尺度拓扑结构，获取其受到的载荷、宏观体积分数和微观体积分数；将多尺度结构网格化，以此获得多个网格和每个网格的受力状态，利用每个网格的受力状态计算其对应的初始位移；

S2构建Mobile-U-Net卷积神经网络预测模型，在该预测模型中，根据多尺度拓扑结构的设计域大小构建多个信息输入通道，以此将多尺度拓扑结构的网格受力状态、初始位移、宏观体积分数和微观体积分数输入，并且以优化后的构型作为输出；

S3构建多尺度拓扑结构的宏观结构与宏观优化构型，微观结构与微观优化构型一一对应的数据样本集，即宏观数据样本集和微观数据样本集，分别利用所述宏观数据样本集和微观数据样本集训练所述预测模型，以此获得宏观预测模型和微观预测模型；

S4利用宏观和/或微观预测模型分别预测待优化多尺度拓扑结构的宏观和/或微观构型，实现优化过程。

2.如权利要求1所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S2中，所述Mobile-U-Net卷积神经网络预测模型是以U-Net网络模型为主体框架，采用MobileNet网络替换U-Net网络中的编码器网络，并删去MobileNet网络架构中的最后一个Softmax分类层，以此形成MobileNet和U-Net两模型串联的Mobile-U-Net网络。

3.如权利要求1或2所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S2中，所述多个信息通道的长度和宽度分别为待优化多尺度拓扑结构长度和宽度的整数倍。

4.如权利要求3所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S2中，所述多通道为四个通道，网格受力状态、初始位移、宏观体积分数和微观体积分数分别对应一个通道。

5.如权利要求1或2所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S1中，所述初始位移按照下列公式计算：

其中，U是全局初始位移矩阵，F是外载荷向量，K是整体结构刚度矩阵。

6.如权利要求1或2所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S3中，获取宏观和微观数据样本集按照下列方式获取，构建多个多尺度拓扑优化结构，利用均一式多尺度结构拓扑优化设计方法获得每个多尺度拓扑优化结构对应的宏观和微观的优化构型，以此形成宏观和微观的数据样本集。

7.如权利要求6所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，对于宏观和微观数据样本集，通过镜像翻转策略扩充数据样本集中的样本。

8.如权利要求1或2所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在步骤S3中，在训练所述宏观预测模型时，采用Adam算法自适应地修改Mobile-U-Net的实际学习率；损失函数值采用MSE损失函数进行计算：

其中，Y_MaTrue表示训练Mobile-U-Net卷积神经网络的宏观拓扑结构构型标签信息，Y_Mapred表示训练过程中Mobile-U-Net卷积神经网络输出的预测结果，N和M分别表示宏观拓扑结构的长和宽尺寸，i和j分别是优化后的构型的网格中的第i行和第j列。

9.如权利要求1或2所述的一种基于Mobile-U-Net的多尺度拓扑优化设计方法，其特征在于，在训练所述微观预测模型时，采用Adam算法自适应地修改Mobile-U-Net的实际学习率；损失函数值采用MSE损失函数进行计算：

其中，Y_MiTrue表示训练Mobile-U-Net卷积神经网络的微观拓扑结构构型标签信息，Y_Mipred表示训练过程中Mobile-U-Net卷积神经网络输出的预测结果，W和Z分别表示微观拓扑结构的长和宽尺寸，i和j分别是优化后的构型的网格中的第i行和第j列。