基于条件深度学习的新型拓扑优化方法
机器学习
2019-01-16 v1 机器学习
摘要
在本研究中，开发了一种基于条件Wasserstein生成对抗网络（CWGAN）的新型拓扑优化方法，以极低计算成本复现传统拓扑优化算法。CWGAN由生成器与判别器组成，二者均为深度卷积神经网络（CNN）。训练所需的有限准最优平面结构样本由传统拓扑优化算法生成。借助CWGAN，可在生成样本前将拓扑优化条件设定为所需值。CWGAN通过设计者引入等式约束来截断全局设计空间。通过使用相同设置的传统算法生成优化平面结构对结果进行了验证。给出了一个概念验证，据我们所知这是CWGAN与拓扑优化融合的首次此类展示。
引用
@article{arxiv.1901.04859,
title = {A Novel Topology Optimization Approach using Conditional Deep Learning},
author = {Sharad Rawat and M. -H. Herman Shen},
journal= {arXiv preprint arXiv:1901.04859},
year = {2019}
}
备注
8 Pages, 6 Figures, 1 Table. arXiv admin note: text overlap with arXiv:1808.02334