基于机理的数据驱动方法：通过有限元卷积神经网络（FE-CNN）加速结构拓扑优化
机器学习
2021-06-28 v1
摘要
本文提出一种基于机理的数据驱动方法，采用自主开发的有限元卷积神经网络（FE-CNN）来加速结构拓扑优化。我们的方法可分为两个阶段：离线训练与在线优化。在离线训练期间，针对给定设计域建立高分辨率与低分辨率表示之间的映射函数。该映射由 FE-CNN 表达，其目标为不同分辨率设计域上通用的目标函数值（如结构柔度）。在线优化期间，任意高分辨率设计域通过该训练好的映射函数降为低分辨率。因而原高分辨率域仅通过在低分辨率版本上进行计算来设计，随后逆映射回高分辨率域。数值算例表明，该方法在计算时间上可加速多达一个数量级。因此，我们所提方法展现出克服基于密度的结构拓扑优化所带来的维数灾难的巨大潜力。同时也讨论了当前方法的局限性。
引用
@article{arxiv.2106.13652,
title = {A mechanistic-based data-driven approach to accelerate structural topology optimization through finite element convolutional neural network (FE-CNN)},
author = {Tianle Yue and Hang Yang and Zongliang Du and Chang Liu and Khalil I. Elkhodary and Shan Tang and Xu Guo},
journal= {arXiv preprint arXiv:2106.13652},
year = {2021}
}