神经网络与样条方法对比：数值挤出机设计中的进展
计算工程、金融与科学
2023-02-13 v1
摘要
我们提出了一种神经网络的新应用，用于设计改进的单螺杆挤出机混合元件。具体而言，我们建议在数值形状优化中使用神经网络对几何形状进行参数化。几何参数化对于实现高效形状优化至关重要，因为它允许仅使用少量设计变量来优化复杂形状。近期方法常将 CAD 数据与基于样条的方法结合，以样条的控制点作为设计变量。因此，这些方法依赖于人类设计者所指定的相同设计变量。尽管这一选择较为便利，但它要么将设计限制在对给定初始设计特征的小幅修改上——实质上禁止拓扑改变——要么产生过多不期望的设计变量。在本工作中，我们脱离 CAD 与基于样条的方法，利用生成式神经网络构建一个人造的、特征密集但低维的优化空间。使用神经网络进行几何参数化拓展了现有方法，所得设计空间不受限于用户对某些基形状的规定修改。相反，在同一优化空间内，我们可在看似无关的设计之间插值并探索。为展示这一新方法的性能，我们将所开发的形状参数化集成到我们的塑料挤出动态混合元件数值设计框架中。最后，我们在与当前基于自由变形（free-form deformation）方法的竞争设定中检验该新方法，并证明了即便在如此早期阶段该方法仍具性能优势。
引用
@article{arxiv.2302.04998,
title = {Neural Networks vs. Splines: Advances in Numerical Extruder Design},
author = {Jaewook Lee and Sebastian Hube and Stefanie Elgeti},
journal= {arXiv preprint arXiv:2302.04998},
year = {2023}
}