[发明专利]一种基于人工智能技术的实时拓扑优化生成设计方法

说明书

本发明涉及一种基于人工智能技术的实时拓扑优化生成设计方法，包括(1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；(2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结构，并对其进行编码；(3)将步骤(1)中的输入条件标签x与步骤(2)中的输出结果标签一一对应后存为训练数据集，供后续的神经网络模型训练；(4)选取合适的神经网络模型，将条件标签x作为输入，将真实拓扑优化结果y作为期望结果，对神经网络模型进行训练；(5)将实际设计中所需施加的设计条件按照步骤(1)中的编码格式进行编码，将其输入到训练好的神经网络模型中即可实时生成拓扑优化结果。本发明能够生成和准则法结果非常近似的高精度拓扑优化结果，且可以实现实时生成，大幅缩短拓扑优化所需的计算时间。

技术领域

本发明涉及拓扑优化技术领域，尤其涉及一种基于人工智能技术的实时拓扑优化生成设计方法。

背景技术

目前，随着装备轻量化和增材制造行业的迅猛发展，拓扑优化越来越受到人们的重视。结构拓扑优化的目的是为了在给定的设计域内，找到最为合适的材料分布，使优化结构具有一些特殊的性能。然而，传统的拓扑优化方法存在一个固有的缺陷：“维数诅咒”，即当设计的参数变量和迭代步骤增加时，计算机所需要的时间和内存将呈指数增长，所有的拓扑优化算法均面临一个难题，即如何有效提高计算效率。

近些年来人工智能技术得到了飞速的发展并在图像识别、自然语言处理等不同领域得到了广泛应用。人工智能技术的强大之处在于其能够利用神经网络模型从数据中学习到某些特征，训练好的模型在再次面对相似的数据时可以做出分类判断或者实现某些函数拟合。将拓扑优化与人工智能技术相结合，通过预先训练适用于拓扑优化任务的神经网络模型的方式，可以大大降低拓扑优化所耗费的时间，可以实现实时拓扑优化生成设计。

发明内容

针对拓扑优化设计计算耗时长的问题，本发明的目的在于提供一种基于人工智能技术的实时拓扑优化生成设计方法，通过选取合适的神经网络模型，并利用已知的设计条件和拓扑优化结果对神经网络模型进行预训练，当再次处理相似的拓扑优化设计任务时，只需将设计条件按照神经网络模型可接受的格式输入即可实时得到拓扑优化结果。

本发明采用的技术方案如下：

本发明所提出的一种基于人工智能技术的实时拓扑优化生成设计方法，具体包括以下步骤：

(1)将集中载荷、分布载荷、位移边界条件等边界条件进行图形编码；将每个条件看作对应一个一维通道，将上述一维通道首尾相连后作为模型输入向量，即输入条件标签x；

(2)使用SIMP拓扑优化方法生成与步骤(1)中所选取边界条件对应的真实拓扑优化结果，对生成的真实拓扑优化结果进行图形编码后作为输出结果标签y；

(3)将步骤(1)中的输入条件标签x与步骤(2)中的输出结果标签y一一对应后存为训练数据集，供后续的神经网络模型训练；

(4)选取合适的神经网络模型，将条件标签x作为输入，将真实拓扑优化结果y作为期望结果，将真实拓扑优化结果和神经网络生成的结果之间的数值差作为训练过程中的损失函数；通过优化器来调整神经网络模型参数，从而降低损失函数使神经网络输出结果尽可能地逼近真实拓扑优化结果y；

(5)将实际设计中所需施加的设计条件按照步骤(1)中的编码格式进行编码，将其输入到训练好的神经网络模型中即可实时生成拓扑优化结果。

进一步的，所述神经网络模型选用卷积神经网络CNN模型或者条件生成对抗神经网络CGAN模型。

进一步的，所述神经网络模型由全连接层、随机删减层、反卷积层、卷积层和激活函数层构成。

进一步的，所述优化器选用随机梯度下降算法SGD或自适应矩估计算法Adam。

进一步的，所述损失函数选用均方误差MSE或交叉熵损失函数。