基于神经网络的同时优化增材制造构建方向、零件分割与拓扑结构
机器学习
2022-10-05 v1
摘要
我们提出一种基于神经网络的拓扑优化方法，旨在减少增材制造中支撑结构的使用。我们的方法采用一种网络架构，可同时确定优化的：（1）零件分割，（2）各零件拓扑，以及（3）各零件构建方向，三者共同使支撑结构用量最小化。通过训练，网络在连续三维空间中学习材料密度与分割分类。给定具有规定载荷与位移边界条件的问题域，神经网络以体素化域的 3D 坐标为训练样本输入，输出连续密度场。由于用于拓扑优化的神经网络学习了密度分布场，可由神经网络的输入输出关系解析获得密度梯度。我们在若干带体积分数约束的柔度最小化问题上演示了该方法，其中支撑体积最小化作为附加准则加入目标函数。我们表明，相较于无分割的构建角度与拓扑联合优化，零件分割与拓扑及打印角度的同步优化进一步减少了支撑结构。
引用
@article{arxiv.2210.01315,
title = {Concurrent build direction, part segmentation, and topology optimization for additive manufacturing using neural networks},
author = {Hongrui Chen and Aditya Joglekar and Kate S. Whitefoot and Levent Burak Kara},
journal= {arXiv preprint arXiv:2210.01315},
year = {2022}
}