[发明专利]一种多样化超材料逆向拓扑优化设计方法和系统

权利要求书

1.一种多样化超材料逆向拓扑优化设计方法，其特征在于，所述方法包括：

S1：通过改变超材料结构的体积分数、惩罚指数、过滤半径和过滤方式的取值进行有限元分析获得超材料结构的多组拓扑构型以及所述拓扑构型对应的弹性张量矩阵；

S2，选取所述弹性张量矩阵中的表征拓扑构型结构特定属性的特征值，将多组所述特征值进行比较，进而将特征值的差值在预设范围内的特征值进行平均其平均值作为多组拓扑构型对应的属性值，进而获得属性值和所述属性值对应的多种拓扑构型；

S3：将每组所述属性值编码为单通道张量信息，并将多种所述拓扑构型编码为对应数量的多通道张量信息，多组所述属性值和对应的多种拓扑构型组成数据集；

S4：以所述属性值为输入并以多种所述拓扑构型为输出对神经网络进行训练获得训练完成的神经网络，其中，所述神经网络为SegNet卷积神经网络或Mobile-SegNet卷积神经网络，所述Mobile-SegNet卷积神经网络通过将SegNet卷积神经网络的编码器修改为MobileNet网络得到；

S5：获得待设计拓扑构型的属性值并对其属性值编码后输入训练完成的神经网络获得对应的多种拓扑构型。

2.根据权利要求1所述的优化设计方法，其特征在于，步骤S1中采用均匀化方法获得超材料结构的多组拓扑构型以及所述拓扑构型对应的弹性张量矩阵。

3.根据权利要求1所述的优化设计方法，其特征在于，所述特征值包括剪切模量值和/或体积模量值。

4.根据权利要求1所述的优化设计方法，其特征在于，步骤S3中，所述单通道张量信息的形状大小和多通道张量信息中每一通道张量信息的形状大小均与设计域尺寸大小相同。

5.根据权利要求4所述的优化设计方法，其特征在于，步骤S4中包括：

将所述数据集分成两部分，其中一部分用于对神经网络进行训练，另一部分用于对神经网络的超参数调整决策进行交叉验证。

6.根据权利要求5所述的优化设计方法，其特征在于，在训练过程中采用Adam算法自适应地修改SegNet卷积神经网络训练过程中的实际学习率，直至其损失函数值小于预设值或收敛。

7.根据权利要求6所述的优化设计方法，其特征在于，所述神经网络的损失函数为：

其中，为第k个通道张量中超材料结构的拓扑构型；为训练过程中由神经网络输出的第k层构型的预测结果，N和M分别为超材料拓扑结构的长和宽，为第k个通道张量中第i行第j列的单元的真实值，为由神经网络预测的第k个通道张量中第i行第j列的单元输出值。

8.一种多样化超材料逆向拓扑优化设计系统，其特征在于，所述系统包括：

第一获取模块：用于通过改变超材料结构的体积分数、惩罚指数、过滤半径和过滤方式的取值进行有限元分析获得超材料结构的多组拓扑构型以及所述拓扑构型对应的弹性张量矩阵；

第二获取模块，用于选取所述弹性张量矩阵中的表征拓扑构型结构的特征值，将多组所述特征值进行比较，进而将特征值的差值在预设范围内的特征值进行平均其平均值作为多组拓扑构型对应的属性值，进而获得属性值和所述属性值对应的多种拓扑构型；

编码模块：用于将每组所述属性值编码为单通道张量信息，并将多种所述拓扑构型编码为对应数量的多通道张量信息，多组所述属性值和对应的多种拓扑构型组成数据集；

训练模块：用于以所述属性值为输入并以多种所述拓扑构型为输出对神经网络进行训练获得训练完成的神经网络，其中，所述神经网络为SegNet卷积神经网络或Mobile-SegNet卷积神经网络，所述Mobile-SegNet卷积神经网络通过将SegNet卷积神经网络的编码器修改为MobileNet网络得到；

输入模块：用于获得待设计拓扑构型的属性值并对其属性值编码后输入训练完成的神经网络获得对应的多种拓扑构型。