[发明专利]机电装备冷却通道结构智能化拓扑优化设计方法

说明书

一种机电装备冷却通道结构智能化拓扑优化设计方法，对变分自编码器进行训练、对生成式对抗网络进行训练、使用变分自编码器预测散热器件冷却通道的粗结构、使用生成式对抗网络细化散热器件冷却通道的结构。以典型散热器件为范本，采用传统各向正交惩罚材料密度方法进行完整优化迭代，采用得到的优化构型去训练变分自编码器和生成式对抗网络，以提取出表征冷却通道拓扑优化本质的隐藏变量。对于待优化散热器件，只需将散热问题的几何模型信息、边界条件和约束条件输入到训练过的变分自编码器和生成式对抗网络，即可直接预测并输出冷却通道结构的优化构型。本发明实现了散热器件冷却通道结构拓扑构型的智能化设计，提高了优化设计速度和效率。

技术领域

本发明涉及一种机电装备冷却通道结构智能化拓扑优化设计方法。

背景技术

机电装备和电子元器件正在朝着超大功率化、高度集成化、大规模化和微小型化发展，随之而来的是越来越严峻的散热、冷却问题；而传统所采用的强制对流换热方式已无法满足散热、冷却需求；通过在普通导热材料制成的散热结构内部设计和布置高导热材料，构筑高效散热、冷却通道，达到对热量的高效传输，可以有效解决目前面临的散热、冷却问题。同时，高导热材料的合理设计和布置，一是可以提高导热效率，二是可以减少高导热材料的使用率，节约成本。而当前机电装备和电子元器件更新换代的速度越来越快，如何借助人工智能技术高效、快速地优化设计冷却通道结构显得至关重要。

发明内容

本发明的目的在于提供一种机电装备冷却通道结构智能化拓扑优化设计方法，将人工智能技术引入到机电装备散热器件冷却通道结构的拓扑优化设计中，采用变分自编码器(Variational Autoencoder，VAE)处理散热问题，提取出表征冷却通道拓扑优化本质的隐藏变量，实现只需输入散热问题的几何模型信息、边界条件和约束条件即可直接预测出冷却通道结构优化构型。

为达到以上目的，本发明采取的技术方案为：

机电装备冷却通道结构智能化拓扑优化设计方法，包括以下步骤：

1)基于已知散热器件，对变分自编码器进行训练；

2)基于已知散热器件，对生成式对抗网络进行训练；

3)针对待优化散热器件，采用步骤1)训练后的变分自编码器预测散热器件冷却通道的粗结构；采用步骤2)训练后的生成式对抗网络细化散热器件冷却通道的结构。

本发明进一步的改进在于，步骤1)具体包括以下步骤：

1.1)选取已知散热器件作为范本，建立数值分析模型，划分有限元网格，施加边界条件和约束条件，输出数值分析模型的热载荷分布图、热沉分布图和体积分数分布图；

1.2)采用各向正交惩罚材料密度法对所选取的已知散热器件进行完整的优化分析，输出最末一个迭代步优化获得的冷却通道材料密度分布图；

1.3)以步骤1.1)输出的热载荷分布图、热沉分布图和体积分数分布图作为输入变量，以步骤1.2)输出的冷却通道材料密度分布图作为标签和样本，构建训练集，采用变分自编码器开展学习和训练，提取出表征冷却通道拓扑优化本质的隐藏变量，获得训练后的变分自编码器。

本发明进一步的改进在于，步骤2)具体包括以下步骤：

2.1)选取已知散热器件作为范本，建立数值分析模型，分别划分粗、细有限元网格，施加边界条件和约束条件，输出数值分析模型在粗有限元网格和细有限元网格下的密度分布图；

2.2)将步骤2.1)输出的在粗有限元网格和细有限元网格下的密度分布图作为输入数据，进行生成式对抗网络的训练，获得训练后的生成式对抗网络。

本发明进一步的改进在于，步骤1.1)与步骤2.1)中的边界条件具体包括：

a)生热源的位置、形式和数值大小信息；