基于物理驱动卷积神经网络的导热板布局优化
机器学习
2022-01-26 v1 计算工程、金融与科学
摘要
导热布局优化在工程设计中至关重要，尤其对于热敏感产品。当优化算法迭代评估不同载荷工况时，通常使用的传统数值模拟方法会导致巨大的计算成本。为了有效减少计算量，数据驱动方法被用来训练一个替代模型，作为规定外部载荷与各种几何形状之间的映射。然而，现有模型是通过数据驱动方法训练的，这需要来自数值模拟的大量训练样本，并未真正有效地解决问题。本文以稳态热传导问题为例，提出了一种物理驱动卷积神经网络（PD-CNN）方法来推断随机变化载荷工况下的物理场解。随后，使用粒子群优化（PSO）算法优化指定设计域内孔洞掩模的尺寸和位置，最小化整个导热场的平均温度值，从而实现最小化传热的目标。与现有的数据驱动方法相比，所提出的 PD-CNN 优化框架不仅能预测出与传统模拟结果高度一致的场解，而且无需任何预先获得的训练数据即可生成解空间。
引用
@article{arxiv.2201.10002,
title = {Heat Conduction Plate Layout Optimization using Physics-driven Convolutional Neural Networks},
author = {Hao Ma and Yang Sun and Mario Chiarelli},
journal= {arXiv preprint arXiv:2201.10002},
year = {2022}
}