GAN-DUF：面向自由形几何不确定性下设计的分层深度生成模型
计算工程、金融与科学
2022-10-10 v4 机器学习
摘要
深度生成模型已证明在学习紧凑且富有表现力的设计表征方面有效，可显著改进几何设计优化。然而，这些模型未考虑由制造或加工引入的不确定性。过去量化此类不确定性的工作常对几何变化做出简化假设，而由于高维特性，“真实世界”的“自由形”不确定性及其对设计性能的影响难以量化。为解决该问题，我们提出了一种基于生成对抗网络的不确定性下设计框架（GAN-DUF），其包含一个深度生成模型，可同时学习标称（理想）设计的紧凑表征以及给定任意标称设计时加工后设计的条件分布。这开启了新的可能：1）构建兼容形状与拓扑设计的通用不确定性量化模型，2）无需对几何变异性分布做任何假设即可建模自由形几何不确定性，3）允许对新标称设计进行不确定性的快速预测。我们可将所提出的深度生成模型与鲁棒设计优化或基于可靠性的设计优化结合，用于不确定性下的设计。我们在两个真实世界工程设计实例上展示了该框架，并表明其能找到加工后具有更优性能的解。
引用
@article{arxiv.2202.10558,
title = {GAN-DUF: Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty},
author = {Wei Wayne Chen and Doksoo Lee and Oluwaseyi Balogun and Wei Chen},
journal= {arXiv preprint arXiv:2202.10558},
year = {2022}
}
备注
Accepted by Journal and Mechanical Design and ASME 2022 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference (IDETC-CIE 2022). arXiv admin note: substantial text overlap with arXiv:2112.08919