<论文研读(1)>《深度学习网络在拓扑优化中的应用》的学习

优化网络拓扑结构:策略、实践与技术 网络拓扑结构是网络设计的基础,它决定了网络的组织方式和数据流动的路径。优化网络拓扑结构对于提高网络性能、可靠性和可扩展性至关重要。本文将探讨网络拓扑结构的基本概念,分析影响网络性能的因素,并提出一系列优化策略和实践方法。网络拓扑结构是指网络中设备(如路由器、交换机、服务器等)的物理或逻辑布局。常见的网络拓扑结构包括星型、环型、总线型、树型和网状型等。 阅读详情
AI摘要

文章介绍了一种利用深度学习技术,特别是卷积神经网络进行拓扑优化的方法,通过加速优化过程和展现良好的泛化能力,对比标准SIMP法,显著提高了效率且保持了精度。研究者通过实验展示了这种方法在结构优化领域的潜力和可转移性。,

论文原稿: Neural network for topology optimization.

h​​​​​​ttp://arxiv.org/abs/1709.09578icon-default.png?t=N7T8http://arxiv.org/abs/1709.09578摘要部分:本文针对传统拓扑结构优化的材料分布问题,采取了图像分割的思路,利用深度学习方法的强大功能作为高效的像素级图像标记技术来执行拓扑优化。介绍了卷积编码器-解码器。进行的实验证明了能够加速优化过程。提出的方法具有泛化特性。

本手法关键特征:1.加速优化进程 ;2.优秀的泛化特性;3.发展前景良好。

拓扑优化问题:

在研究机械结构拓扑优化时,会考虑一个设计域\Omega:\left \{\omega _j \right \}^N_{j=1},一般给它赋予线性各向同性材料的属性,并且进行方形有限元离散化。材料分布由二进制密度变量x_j定义,设计域材料不存在(void)即为0,存在即1. 这个问题用数学公式可以表示为:

c是挠度,\boldsymbol{u_j}是元素的位移向量,\boldsymbol{k_0}是具有单位杨氏模量的单元的单元刚度矩阵。U和F分别为全局位移和力矢量,K是全局刚度矩阵。 V(x)和V分别是材料体积和设计域体积,f_0是规定的体积分数。在解决材料分布问题时,具有离散性质,可以是实体,可以是空白。在处理时采用二进制变量替换连续变量,x_j\in [0;1],j=0,1,2...N.  最普遍的方法叫做SIMP法,是一种基于梯度迭代的带惩罚值的非二元解方法。PS:SIMP法请参考其他文献,包括SIMP在matlab,python中的使用,之后我会阅读。

采用的MBB梁的结构优化迭代情况如图所示,边界条件,加载等不做赘述。在初始迭代时,对设计域内的材料进行一半重新分配。优化过程的其余部分包括像素的过滤:具有中间值的密度收敛到二进制值,并且获得的结构的轮廓几乎保持不变。

学习拓扑优化

在上一节中,获得的图像I可以被解释为最终结构的模糊图像(其他因素扭曲的图像)。只有两种类型物体的结构为图像I^*,不包含中间值,因此可以解释为图像I的mask(掩膜)。所以,优化从I\rightarrow I^*的过程模拟了两类图像分割或者前景-背景的分割过程。

所以提出了拓扑优化流程:使用SIMP法执行初始迭代并获得非二进制密度的分布;使用神经网络对获得的图像进行分割并将分布收敛到{0,1}解。

结构

这里我们介绍拓扑优化神经网络,这是一个深度全卷积神经网络旨在在拓扑优化过程中执行密度收敛。

模型输入与输出

输入是两个灰度图像(或一个双通道图像):第一个是设计域内的密度分布X_n(获得于拓扑优化求解器的最后一次迭代)。第二个是最后一次更新的密度的梯度\delta X=X_n- X_{n-1}(第n代与第n-1代密度之差);模型输出是与输入分辨率相同的灰度图,代表着预测的最终结构。

结构解析

该结构模拟图像分割沙漏形状的常见结构。所提出的模型具有编码器网络和相应的解码器网络,然后是最终的逐像素分类层。如图所示

这个编码器包括6个卷积层,每一层有3*3的卷积核,跟着后面是ReLU非线性。前两层有16个卷积核,该块后面是大小为2*2的窗口中的最大元素的池化。接下来的两层有32个内核,后面是MaxPooling层,最后一块是由两层组,每层有64个内核。解码器的网络则是与之对称的反过来。但是MaxPooling层需要替换为Upsampling层,然后与U-Net中执行相应的低级层之间的串联(skip connection)。池化操作将后续网络的不变性引入到输入的小平移中。来自不同层的skip connections 允许同时利用原始低级表示和高级编码表示,解码器后面是具有一个内核和sigmoid激活函数的卷积层。使用2个dropout层来作为我们网络的正则化。输入的高度和宽度可以变化,但是它们必须能被4整除,以保证计算图中张量形状的一致性。本网络结构有192,113个参数

数据

为了训练上述模型,我们需要系统1的示例解决方案。数据集来自于使用Topy生成的合成数据(一种基于SIMP法的2D和3D拓扑优化开源求解器),针对数据库,我们对伪随机问题进行了采样,并执行了100次标准SIMP法迭代。每个问题都由约束和负载定义,选择的样本:1.按照泊松分布取固定x和y平移的节点数量以及负载数量:N_x\sim P(\lambda=2);N_y,N_L\sim P(\lambda=1);选择边界节点概率是内部节点的100倍。负载值为-1;体积分数按照正态分布f_0\sim\mathcal{N}(\mu =0.5,\sigma=0.1)。

获取的有10,000个对象,每一个都是形状为100*40*40的张量:在常规40*40的网格上定义的问题的优化过程的100次迭代。

训练过程

我们使用上一节提取的数据来训练模型。在第k次迭代后我们停止用SIMP求解器,并且使用获得的设计变量作为模型的输入。输入图像通过D4组的变换进行了增强:水平和垂直翻转以及90度旋转。k是从某个特定分布\mathcal{F}中采样所得。让我们感兴趣的泊松分布P(\lambda)以及离散均匀分布U[1,100]。为了训练网络我们使用下面的目标函数:

\mathcal{L}=\mathcal{L}_{\rm{conf}}(X_\mathrm{true},X_{\rm{pred}})+\beta\mathcal{L}_\mathrm{vol}(X_\mathrm{true},X_{\rm{pred}})

其中置信度损失(L_conf)是二元交叉熵:\mathcal{L}_{\rm{conf}}(X_\mathrm{true},X_{\rm{pred}})=-\frac{1}{NM}\sum\limits_{i=1}^{N}\sum\limits_{j=1}^{M}[X_\mathrm{true}^{ij}log(X_\mathrm{pred}^{ij})+(1-X_\mathrm{true}^{ij})log(1-X_\mathrm{pred}^{ij})]

其中N*M是图像的分辨率。上面的L_vol代表体积分数的约束:\mathcal{L}_\mathrm{vol}(X_\mathrm{true},X_\mathrm{pred})=(\overline{X}_\mathrm{pred}-\overline{X}_\mathrm{true})^2

使用默认参数的ADAM优化器,在训练过程中将学习率减半一次,代码:python2;后端:keras和tensorflow;NVIDIA Tesla K80.从头开始训练化了80~90分钟。

结果

我们在获得结构的准确性和平均的时间消耗上面将我们的方法与标准SIMP法进行了比较。我们使用两个常见的图像分割评估指标:二进制精度和交并集(IoU)。设n_l,l=0.1为l类像素总数,\omega_{tp},t,p=0,1是预测属于p类的t类像素总数。所以

我们测试了四个具有相同结构但是使用不同设定进行训练的神经网络,我们通过停止SIMP法训练后的迭代次数是从不同的分布中采样的。我们通过选择离散均匀分布U[1,100]来训练一个网络,另外三个则使用泊松分布P(\lambda)训练,\lambda=5,10,30.(即选择在第多少代停止SIMP法)

准确度和表现

上图展示了我们的节后在迭代5次之后也能恢复为最终的结构,该模型的输出与SIMP算法的输出结构,结构的整体拓扑是相同的。此外,所提出的方法消耗的时间几乎减少了20倍。使用不同策略训练的神经网络产生接近的结果:模型保留最终结构直至一些罕见的像素级变化。然而,这次模型的准确性取决于SIMP算法执行的初始迭代次数。下表总结了一系列的实验结果,与SIMP法相同次数迭代后应用的阈值相比,经过训练的模型表现出足够准确的结果。有些模型在迭代5~10次后会受益而另一些需要在中间或者结束时表现出更好的结果。所提出的流程可以显著加速整体算法,同时将精度最小化,尤其是在优化过程开始时使用CNN。

可转移性

另外,为了证明方法的泛化性,我们还生成在40*40的规则网格上定义的热传导问题的小数据集。问题的精确解和中间密度的获取方式和前面的例子完全一样。

根据结果发现,在优化的初始阶段,预训练CNN的结果比阈值化的结果更加准确,当数据集的训练和验证数据集来自同一分布时,我们的模型能够精准地近似映射到最终结构。即使将CNN应用于其他数据集,也会在最开始迭代期间就模仿SIMP的方法的更新,所有我们的方法可以快速预测各种拓扑优化问题。


我们训练的模型是基于40*40尺寸的图像进行的,我们还可视化了应用到不同分辨率时的问题的结果。可以得出,纵横比的变化以及输入数据分辨率的合理变化不会影响模型的精度,能够成功构建最终的结构。输入的数据的大小的变化需要对模型进行额外的训练,因为常见的典型大小随着图像分辨率的增加而变化。演示案例不需要调整神经网络,并且允许将一种分辨率转移到另一种分辨率。

这篇文章提出的方式很适合设计工学,想要利用深度学习进行结构优化研究学习的学生学习,先总结以上内容在此,主要是自己学习总结而用,关于代码的复建和深入学习就是之后需要研究的了。希望各位有所收获。

超表面机器学习逆向设计:从物理基础到代码实践完整指南 超表面是一类亚波长人工结构,能够灵活调控入射光的振幅、相位与偏振,被视为新一代光子器件的重要载体。然而,传统参数扫描式设计在面对宽带宽、多偏振、多目标等复杂需求时,搜索空间急剧膨胀,计算成本难以承受。机器学习逆向设计通过神经网络直接建立目标响应与结构参数之间的映射,结合电磁仿真与深度学习,可大幅提升设计效率。这类方法已广泛应用于消色差透镜、偏振调控、波前整形等前沿方向,正成为推动超表面走向工程实用的关键技术。本文系统梳理了该领域从物理基础、仿真工具链、模型架构到开源代码的完整学习路径,为初学者和进阶研究者提 阅读详情

相关推荐

AI算力网络通信路径规划:拓扑优化的算法比较

在AI算力网络里,数据的快速、高效传输非常重要。通信路径规划就像是给数据找到一条又快又好走的路。拓扑优化则是把整个网络的结构变得更合理,让数据传输更顺畅。我们这篇文章的目的就是比较不同的拓扑优化算法,看看它们各自的优点和缺点,范围涵盖了常见的用于AI算力网络通信路径规划的拓扑优化算法。接下来,我们会先讲一些核心概念,就像给大家介绍几个好朋友一样,让你们认识一下它们。然后分析不同拓扑优化算法的原理,就像看看每个好朋友有什么本事。再通过一个项目实战,看看这些算法在实际中是怎么工作的。

AI天才研究院 1582

金牌内容!年度热点!基于深度学习的结构拓扑优化!

立足于当前拓扑优化领域的技术前沿,系统介绍如何利用深度学习方法与拓扑优化理论融合

2401_83378697的博客 1027

深度学习在网络拓扑优化中的应用:智能化网络管理的新前沿

通过本文的介绍,我们展示了如何使用Python和深度学习技术构建一个网络拓扑优化系统。该系统集成了数据采集、预处理、特征工程、模型训练、结果预测和拓扑优化等功能,能够帮助企业更准确地分析和优化网络拓扑,从而提升网络性能和管理效率。希望本文能为读者提供有价值的参考,帮助实现网络拓扑优化的目标。

Echo_Wish 510

hypermesh optistruct 形状优化

hypermesh优化流程子模型边界验证形状优化流程 子模型边界验证 定义边界节点、优化节点、优化区域单元集合,插值出边界节点位移值。 优化节点集和单元集为可以变形的区域,其余区域不能选入。 输出调整后的子模型。 Hypermesh输入子模型与插值边界 重新定义components,赋材料和单元类型 输入边界条件 .cbdo 文件(有限元网格文件窗口) 将模板ansys → OptiStruct 重新定义component属性 更新单元类型 3D → order change → 1阶单元计算相对

weixin_47019765的博客 1万+

【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列二 电磁学01 计算电磁学

抽象函数在计算电磁学中提供了描述连续电磁问题的严格数学语言,并通过。

weixin_49199313的博客 785

ER(ZR) 2020论文集:机器人控制算法复现与工程落地指南

机器人运动控制与自主感知是机电一体化系统的核心,其原理涉及逆运动学求解、滑模控制与多传感器融合。通过深度学习逆运动学、模糊滑模控制及视觉-惯性里程计(VIO)等技术,可有效提升机械臂轨迹跟踪精度与多机器人协同效率。这些方法在协作机器人、无人机机械臂及管道巡检等场景中具有广泛工程价值。ER(ZR) 2020论文集收录了相关前沿研究,涵盖运动控制、SLAM及多机器人联盟构建,并提供了从公式到Python仿真的复现路径与避坑指南,适合一线工程师参考。

weixin_29053073的博客 232

在深度学习模型的优化上,梯度下降并非唯一的选择

如果你是一名机器学习从业者,一定不会对基于梯度下降的优化方法感到陌生。对于很多人来说,有了 SGD,Adam,Admm 等算法的开源实现,似乎自己并不用再过多关注优化求解的细节。然而在模型的优化上,梯度下降并非唯一的选择,甚至在很多复杂的优化求解场景下,一些非梯度优化方法反而更具有优势。而在众多非梯度优化方法中,演化策略可谓最耀眼的那颗星! 对于深度学习模型的优化问题来说,随机梯度下降(SGD)...

喜欢打酱油的老鸟 2816

基于神经网络的声子晶体逆向设计:从数据生成到模型调参实战

在材料与结构设计中,逆向设计旨在根据目标性能反推几何或材料参数,但传统优化方法因多解性和计算成本高而难以实用。神经网络通过离线训练学习从性能到结构的映射,实现毫秒级推理,其核心在于构建高精度正向代理模型与逆向网络的串联架构,并引入物理约束保证输出合理性。该技术可应用于声子晶体带隙定制、超材料设计等场景,显著缩短设计周期。本文围绕声子晶体逆向设计,详细讲解数据集采样、网络选型、损失函数设计及训练避坑技巧,帮助工程师快速上手深度学习逆向设计。

weixin_29098117的博客 395

拓扑优化 PYthon文件.rar

拓扑优化 PYthon文件 结构拓扑优化,迭代采用优化准则法,数值不稳定采用灵敏度过滤法

AI+多尺度仿真驱动的跨学科仿生材料设计优化

材料研发长期面临试错成本高、跨尺度数据难贯通的问题。多尺度模拟从电子、原子到宏观连续体逐层传递参数,而人工智能代理模型可把高保真仿真的评估成本从小时级降至毫秒级。贝叶斯优化与主动学习进一步以最少实验压缩候选空间,成为材料基因组工程中提升效率的关键技术。在阻燃复合材料、增材制造点阵结构等场景中,将仿生策略转译为性能约束,并纳入多目标优化闭环,可显著降低试验批次。跨学科融合仿生设计正是借助AI与多尺度数据驱动,让材料研发从经验试错走向智能寻优。

weixin_29069131的博客 272

CNN直接输入翼型图像预测气动系数:端到端物理量回归方法

在计算流体力学与智能代理模型交叉领域,将几何形状转化为可学习的视觉表征已成为突破传统参数化建模瓶颈的关键路径。其核心原理是绕过人工定义的几何参数与控制方程,利用卷积神经网络从像素级图像中自动提取厚度分布、前缘曲率、表面凸起等气动敏感特征,并建立图像到无量纲气动系数(如法向力系数CN)的非线性映射关系。该技术显著提升小样本条件下的泛化能力与工程复现性,广泛应用于翼型快速筛选、CFD代理模型构建及拓扑优化后非解析外形的性能评估。本文聚焦于85×85灰度翼型图与CNN端到端回归这一典型范式,深入解析图像预处理、网

weixin_34059951的博客 165

从宇树IPO招标看人形机器人六大技术真相与工程实践

机器人技术正从实验室走向产业化,其核心在于解决复杂环境下的自主运动与智能决策问题。这背后涉及机器人运动控制、多传感器融合、实时计算等基础原理。通过强化学习等算法优化,机器人能实现更稳定、高效的运动能力,其技术价值在于将智能化落地到巡检、物流等具体场景,降低人力成本与风险。当前,人形机器人产业正经历从概念到需求的拐点,本地大脑计算、核心硬件自主化、运动控制算法演进成为关键。例如,宇树G1等开源项目推动了技术民主化,而SOFTA框架对PPO算法的优化,则体现了工程实践中对安全性与效率的平衡,这正是产业迈向规模化

weixin_33701617的博客 414

拓扑优化SIMP方法开山之作99行代码论文 中文翻译

这是论文翻译,如果想看代码注释就不要下载了,在我博客里面公开了,作者的原论文下载链接也在博客里面,可以直接下载。如果原论文的英语读起来费劲可以下载这个翻译好的版本帮助理解。

基于遗传算法和粒子群优化在梁结构拓扑优化中的技术方案

基于遗传算法和粒子群优化在梁结构拓扑优化中的技术方案

chao189844的博客 898

拓扑优化学习报告

在微结构的基础上,我们介绍变密度法的应用,变密度法是在均匀化方法的 基础上产生的,把材料引入微结构代之以密度在 0~1 之间变化的假想材料,把密 度作为设计变量,从而实现材料的删减,因其模型简单、计算变量相对较少成为 目前广泛采用的方法。根据不同的插值模式,变密度法又有不同的插值模型: SIMP 法(Solid Isotropic Material with Penalization)、Hashin-Shtrikman 法,以及 RAMP 法(Rational Approximation of Material Properties)。

BP神经网络的拓扑优化算法

一个利用VB语言编写的BP人工神经网络的拓扑优化算法,包含文件,代码在文件里面

VirtualLab Fusion中运用optiSLang进行光栅优化

现代光学系统的优化一般会涉及到大量的参数,例如:优化光栅时不仅需要考虑光栅的几何参数,还有所需的入射方向。随着参数数量的大量增加,优化越来越具有挑战性。对于这种情况,VirtualLab Fusion提供了与Dynardo的optiSLang软件的接口,可以使用不同的高级优化算法。─ 通过双击结果(Result)设计标签页中的参数化(Parametric)求解器系统窗口,可以检查参数和结果。─ 参数化的求解器系统包含相应的VirtualLab文件和两个含有参数和结果的XML文件,用于定义优化函数。

Bonnie1985119的博客 402

ML_for_kirigami_design:使用深度学习为石墨烯kirigami建模和执行拓扑优化的Python包

ML_for_kirigami_design 使用深度学习为石墨烯kirigami建模并执行拓扑优化的Python软件包。 我们使用卷积神经网络(类似于VGGNet architecure)进行回归。 纸 请参阅我们发表的论文: 一般用法 数据生成和数据处理 用于生成输入文件的原子配置的Jupyter笔记本在generate_LAMMPS_input/generate_LAMMPS_configuration_input.ipynb可用。 现在可以使用产生平行切割的新方法。 在models/regression_CNN/convert_coarse_to_fine.ipynb一个

上一篇: pix2pix pytorch 学习笔记(①)数据集处理 (详细)
Hiroshi_yang
博客等级 码龄5年 345粉丝 2原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值