基于深度迁移学习的实时三维拓扑优化
机器学习
2021-02-16 v1 人工智能
摘要
过去二十年间，关于拓扑优化的文献激增，涵盖了基于形状与拓扑导数或进化算法的方法，这些方法构建于各种几何表示与参数化之上。所有这些方法面临的关键挑战之一是与三维拓扑优化问题相关的巨大计算成本。我们引入了一种基于卷积神经网络的迁移学习方法，其（1）可处理各种形状与拓扑的高分辨率三维设计域；（2）支持随着域与边界条件变化进行实时设计空间探索；（3）相较于传统深度学习网络，在新任务中改进学习所需的高分辨率样本集小得多；（4）比成熟的基于梯度的方法（如 SIMP）高效数个数量级。我们提供了大量二维与三维示例来展示所提方法的有效性与准确性，包括源网络未见过的设计域，以及基于迁移学习方法的一般化能力。我们的实验在实时预测速率下取得了约 95% 的平均二值准确率。这些特性进而表明，所提迁移学习方法可作为基于拓扑优化的实时三维设计探索的第一个实用底层框架。
引用
@article{arxiv.2102.07657,
title = {Real-Time Topology Optimization in 3D via Deep Transfer Learning},
author = {MohammadMahdi Behzadi and Horea T. Ilies},
journal= {arXiv preprint arXiv:2102.07657},
year = {2021}
}