基于多层网格和相关变异的增强数据驱动拓扑设计方法论：用于应力相关多目标优化

拓扑优化 (TO) 作为一种广泛应用的结构设计方法，用于解决各种工程问题。然而，敏感性基的 TO 方法通常难以解决强非线性优化问题。通过利用深度生成模型的高容量，这种数据驱动拓扑设计 (DDTD) 方法被认为是有效地克服这些问题的手段。DDTD 方法依赖具有一定规律性的初始数据集，使其结果对初始数据集质量高度敏感。这限制了其在缺乏先验信息的优化问题中的有效性和通用性。在本研究中，我们提出了一种基于多层网格的 DDTD 方法，配合相关变异模块，以逃离初始数据集质量对结果影响的限制，并提高计算效率。其核心是利用相关变异模块为生成的数据分配具有物理意义的几何特征，同时采用多层网格策略逐步提高结构表征的细化程度，从而避免在迭代过程中维持高自由度 (DOF) 表示。该提出的多层网格 DDTD 方法可由质量较低的初始数据集驱动，无需耗时的构建特定数据集，从而显著提高通用性和适用性，同时进一步降低 DDTD 方法的计算成本。各种与传统敏感性基 TO 方法进行的比较实验表明，所提方法在应力相关强非线性问题上的通用性和有效性。