[发明专利]一种利用生成对抗网络加速的结构优化设计方法

说明书

本发明公开了一种应用生成对抗网络来加速结构优化设计的方法。该加速方法能够解决传统SIMP算法在结构优化设计中计算复杂度高的问题，该方法包括模型的获取和使用两个部分，其中模型获取的主要流程为：1、预先使用SIMP法生成少量(100组)优化过程图作为训练集和测试集；2、利用数据增强技术对数据集进行扩充；3、使用编码器‑解码器构建生成器；4、使用深度卷积网络构建判别器；5、使用变形的pix2pix模型来训练生成器‑判别器并展示训练结果和保存最终训练模型。使用最终模型进行结构优化设计时，首先通过SIMP法计算少量迭代步骤，将迭代结果输入最终模型进行计算，从而实现最终优化结构的快速计算。

技术领域

本发明属于人工智能领域，具体涉及一种应用生成对抗网络加速的结构优化设计技术，在保证生成结果正确的前提下，最大程度降低计算复杂度的方法。

背景技术

为了在给定的负载情况、约束条件和性能指标下设计出高效的材料结构分布，国内外的研究者应用拓扑优化方法来进行优化设计；拓扑优化的基本思想是将寻求结构的最优拓扑问题转化为在给定的设计区域内寻求最优材料的分布问题，目前拓扑优化方法主要有SIMP算法、ESO算法、水平集法等，这些方法的计算量取决于网格的规模，随着网格的不断增大，计算量成倍增加，使得获取最优设计结果需要花费很长的时间。

随着深度学习的不断发展，其在各个领域的作用也越来越大；深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据；通过使用神经网络模型，使得利用前期优化过程图生成最终结果图变为可能。

在利用传统的SIMP算法进行结构优化设计时，将优化的中间过程图输入到已经训练好的神经网络模型中，可在几秒内获取最终优化结果图，从而解决了传统拓扑优化算法计算复杂度高、耗时长的问题。生成对抗网络是一种深度学习模型，是近年来无监督学习中最具前景的方法之一；相比于其他生成式模型，生成对抗网络具有产生的样本更加清晰、无需利用马尔科夫链反复采样，无需再学习中进行推断等优点，因此这里的模型我们选用生成对抗网络。

发明内容

为克服上述拓扑优化算法的缺点，本发明提供了一种应用生成对抗网络加速的结构优化设计方法，大幅度降低计算复杂度，减少计算开销。

一种应用生成对抗网络加速的结构优化设计方法，包括以下步骤：

第一步、使用SIMP算法准备数据

在所有拓扑优化方法中选用传统的SIMP算法来生成少量优化过程图，并按照9:1的比例将生成的过程图数据分为训练集和测试集；

第二步、利用数据增强技术对数据集进行扩充

随机获取数据集中的数据，并进行以下操作：1)产生随机数A，若其大于0.5则进行上下翻转；2)产生随机数B，若其大于0.5则进行左右翻转；3)产生随机数C，若其大于0.5则进行顺时针旋转；

第三步、使用编码器-解码器构建生成器

自动编码器算法将神经网络的隐含层看成是一个编码器和解码器，使用编码器学习输入数据的隐含特征，解码器可使用学习到的新特征重构出原始输入数据；具体操作如下：取出数据集中的数据并进行第二步中的操作，将处理后得到的数据喂入编码器网络进行特征提取并完成图像压缩任务；将编码器网络输出的feature map再送入解码器网络，可将被压缩的图像进行放大，在此过程中，将编码器和解码器过程中具有相同尺寸的featuremap连接到解码器中，以便充分利用编码器网络中的结构信息，保持特征的不变性，达到更好的重建效果；

第四步、使用深度卷积网络构建判别器

将一张生成图片或者真实的最终结果图像作为判别器的输入；经过多层带有步长的卷积层网络进行特征提取后，最终得到和标签大小相同的、内参仅为0或1的标签数据；