一种基于深度学习的实时显式拓扑优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115098980A(43)申请公布日2022.09.23(21)申请号202210535104.7(22)申请日2022.05.17(71)申请人吉林大学地址130000吉林省长春市前进大街2699号(72)发明人齐红程玮斌张浩桢邓向萍孙舒杨(74)专利代理机构北京远大卓悦知识产权代理有限公司11369专利代理师王雪娇(51)Int.Cl.G06F30/18(2020.01)G06F30/27(2020.01)G06N3/04(2006.01)权利要求书2页说明书11页附图3页(54)发明名称一种基于深度学习的实时显式拓扑优化方法(57)摘要本发明公开了一种基于深度学习的实时显式拓扑优化方法，包括：一、构建深度学习网络模型，并对深度学习网络模型进行训练，得到拓扑结构优化网络模型；二、将拓扑优化初始条件作为输入参数输入拓扑结构优化网络模型，得到初步拓扑优化结构的组件参数；其中，拓扑优化初始条件为：负载条件和边界条件；组件参数为：组件中心坐标、组件半长、组件两端及中心的半宽和组件相对于正半轴的倾斜角度；三、以初步拓扑优化结构的组件参数作为初始参数，以体积约束下拓扑结构的柔度最小为优化目标，依据目标函数对拓扑结构的组件参数的灵敏度和约束函数对拓扑结构的组件参数的灵敏度对拓扑结构的组件参数进行迭代更新，得到最终拓扑优化结构的组件参数。CN115098980ACN115098980A权利要求书1/2页1.一种基于深度学习的实时显式拓扑优化方法，其特征在于，包括如下步骤：步骤一、构建深度学习网络模型，并对所述深度学习网络模型进行训练，得到拓扑结构优化网络模型；步骤二、将拓扑优化初始条件作为输入参数输入所述拓扑结构优化网络模型，得到初步拓扑优化结构的组件参数；其中，所述拓扑优化初始条件为：拓扑结构的负载条件和边界条件；所述组件参数为：组件中心坐标、组件半长、组件两端及中心的半宽和组件相对于正半轴的倾斜角度；步骤三、以所述初步拓扑优化结构的组件参数作为初始参数，以体积约束下拓扑结构的柔度最小为优化目标，依据目标函数对拓扑结构的组件参数的灵敏度和约束函数对拓扑结构的组件参数的灵敏度对拓扑结构的组件参数进行迭代更新，得到最终拓扑优化结构的组件参数；其中，所述目标函数为：所述约束函数为：式中，t表示施加于Neumann边界Γt上的表面力；f表示拓扑结构所受的体积力；q为大于1的整数；代表拓扑结构的组件的弹性模量矩阵；ε表示二阶线性应变张量；v为定义在的试探函数；u为位移场；为发生在Dirichlet边界Γu上的位移；为实体材料可用体积的上限值；D为拓扑结构设计区域，Ωs表示拓扑结构的组件所占据的实体区域；φs(x)＝max(φ1,...,φn)；φi(x),i＝1,...,n为拓扑结构中第i个组件的拓扑描述函数；n为拓扑结构中的组件数量；S表示拓扑结构的面积，V为拓扑结构的体积，H为Heaviside函数。2.根据权利要求1所述的基于深度学习的实时显式拓扑优化方法，其特征在于，在所述步骤一中，对深度学习网络模型进行训练的过程中，使用如下损失函数对训练结果进行判断：其中，pij为传统MMC方法生成的拓扑优化结构的第i个组件的第j个参数值，为当前网络模型生成的拓扑优化结构的第i个组件的第j个参数值。3.根据权利要求2所述的基于深度学习的实时显式拓扑优化方法，其特征在于，在所述步骤三中，还包括对拓扑结构进行有限元分析，得到拓扑结构设计区域的单元杨氏模量；2CN115098980A权利要求书2/2页其中，Ee为拓扑结构设计区域中单元e的杨氏模量，E表示杨氏模量，为单元e在四个节点处的拓扑描述函数值；q为大于1的整数。4.根据权利要求3所述的基于深度学习的实时显式拓扑优化方法，其特征在于，所述目标函数对拓扑结构的组件参数的灵敏度的表达式为：式中，a表示拓扑结构的组件参数，K为拓扑结构的整体刚度矩阵，ks为单元刚度矩阵；NE表示设计区域总单元数，可由x方向的单元数和y方向的单元数做乘积得到；H为Heaviside函数，E表示杨氏模量。5.根据权利要求3或4所述的基于深度学习的实时显式拓扑优化方法，其特征在于，所述约束函数对拓扑结构的组件参数的灵敏度的表达式为：式中，a表示拓扑结构的组件参数，NE表示拓扑结构设计区域的总单元数；H为Heaviside函数。6.根据权利要求5所述的基于深度学习的实时显式拓扑优化方法，其特征在于，在所述步骤三中，采用MMA对拓扑结构的组件参数进行迭代更新，包括如下步骤：步骤1、由当前拓扑结构中所有组件的参数、目标函数、约束函数、目标函数对拓扑结构的组件参数的灵敏度和约束函数对拓扑结构的组件参数的灵敏度确定设计变量的第一个迭代点x(0)，令迭代因子k＝0；步骤2、计算当