[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

说明书

本发明属于结构优化相关技术领域，其公开了一种多样化超材料逆向拓扑优化设计方法和系统，该方法包括：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对应的弹性张量矩阵；选取弹性张量矩阵中的特征值并将其差值在预设范围内的特征值进行平均作为属性值；将属性值编码为单通道张量信息，将多种拓扑构型编码为多通道张量信息；采用属性值和对应的多种拓扑构型对神经网络进行训练获得训练完成的神经网络；获得待设计属性值输入训练完成的神经网络获得对应的多种拓扑构型。本申请的逆向设计的方式无需反复调试和验证，可以实现多样化定制的需求，极大的提升了设计效率。

技术领域

本发明属于结构优化相关技术领域，更具体地，涉及一种多样化超材料逆向拓扑优化设计方法和系统。

背景技术

获得具有特定性能的超材料结构是当前学术界和工业界的热点问题，从理论上分析有两种可行的方法，其一是改变材料，通过寻找性能更加优越的材料替换掉性能差的材料，该方法成本昂贵，经济性非常差，其二是改变设计，一般是通过改变多孔结构的微结构单胞构型以改变结构性能，是一种相对廉价的方式，广受工程设计人员的青睐。结构拓扑优化设计方法能够在给定的设计域内为材料找到最为合理的分布方式，使结构在给定的约束条件下获得最佳的力学性能，将材料利用率达到最高。然而，一方面，现有的拓扑优化设计方法都是结构优化完成后才能获得结构的属性值，只能先进行设计然后看设计的结构的属性值是否满足要求，如果不满足再重新进行结构设计，需要多次进行参数调试才有可能获得满足要求的结构；另一方面，传统的结构拓扑优化设计方法是基于有限元分析，这将导致耗时时间长，使得结构拓扑优化设计方法效率低下，难以应用于实际工程材料结构的设计中，而多样化定制设计一直是工程设计人员追求的目标，现有的设计方法基于有限元分析逐一进行调试将耗费大量的人力物力，经济性非常的差。中国专利CN111723420A公开了一种基于深度学习的结构拓扑优化方法，包括生成训练数据，对训练数据进行预处理，构建深度学习模型进行训练以及采用训练好的深度学习模型进行优化，得到输出结果，即拓扑优化结构。其采用的深度学习模型为U-Net网络，输入为6通道的输入张量，输入参数选取的不当很容易出现不连续的结构，不连续的结构在工程上是不可用的，尤其是对多样化需求的超材料而言，其属性值有限也比较简单，若使用U-Net则会导致网络训练出现过拟合现象，即对新材料结构预测准确率大幅度降低；同时该方法的输入为多通道输出为单通道，并不能满足具有相同属性值的多样化拓扑结构的需求。因此，亟需设计一种可以高效设计多样化拓扑结构的方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种多样化超材料逆向拓扑优化设计方法和系统，基于神经网络，以属性值为输入即可直接获得对应的多样化的拓扑构型，此种逆向设计的方式无需反复调试和验证，可以实现多样化定制的需求，极大的提升了设计效率。

为实现上述目的，按照本发明的一个方面，提供了一种多样化超材料逆向拓扑优化设计方法，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。

优选地，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。