考虑几何特征与工程性能的3D设计数据加权无监督域自适应方法
机器学习
2023-09-12 v1
摘要
制造中的产品设计过程涉及迭代的设计建模与分析以实现目标工程性能，但此类迭代过程耗时且计算昂贵。近来，基于深度学习的工程性能预测模型被提出以加速设计优化。然而，它们仅能保证在训练数据上的预测，当应用于新域数据时可能不准确。特别地，3D设计数据具有复杂特征，这意味着存在各种分布的域。因此，由于沉重的数据收集与训练负担，深度学习的利用存在局限。我们提出一种考虑3D设计数据几何特征与工程性能的双重加权无监督域自适应方法。它专用于基于深度学习的工程性能预测。通过利用假设差异的对抗训练策略可提取域不变特征，并可利用所提取特征执行多输出回归任务以预测工程性能。特别地，我们提出一种适用于3D设计数据的源样本加权方法以避免负迁移。所开发的基于工程结构几何特征与工程性能的双重加权策略被纳入训练过程。所提模型在车轮冲击分析问题上进行了测试，以预测3D道路车轮的最大冯·米塞斯应力大小及其对应位置。该机制可基于加权的多源域知识降低无标签目标域的目标风险，并能高效替代传统的有限元分析。
引用
@article{arxiv.2309.04499,
title = {Weighted Unsupervised Domain Adaptation Considering Geometry Features and Engineering Performance of 3D Design Data},
author = {Seungyeon Shin and Namwoo Kang},
journal= {arXiv preprint arXiv:2309.04499},
year = {2023}
}