[发明专利]基于卷积神经网络的多相材料结构拓扑优化方法及系统

权利要求书

1.一种基于卷积神经网络的多相材料结构拓扑优化方法，其特征在于，所述优化方法包括：

S1：将U-Net中的编码器网络调整为MobileNet网络，以获得Mobile-U-Net卷积神经网络；

S2：获取多种边界条件不同取值下的多个样本数据信息，将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的特征参数，在特征参数中选择单元密度值作为表征拓扑结构的标签信息，所述多种边界条件包括载荷大小、载荷位置、质量分数和材料相数；

S3：将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配；而后将所述边界条件与单元密度值进行预处理以实现对应，其中，此处的对应既包括尺寸的对应也包括输入与输出结果的对应，所述预处理包括对所述边界条件和单元密度值的形状尺寸进行修改；还包括对所述边界条件和单元密度值的命名进行统一，实现所述边界条件与相应单元密度值的对应；

S4：将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络；

S5：将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。

2.根据权利要求1所述的优化方法，其特征在于，所述步骤S1具体包括：

S11：删除所述MobileNet网络的最后一个Softmax分类层，并在最后串联6个步长为1的深度可分离卷积层；

S12：将所述S11得到的网络模型替换掉U-Net原始的编码器网络获得所述Mobile-U-Net卷积神经网络。

3.根据权利要求2所述的优化方法，其特征在于，所述步骤S1还包括设置与所述边界条件种类数量相同数量的输入通道以及一输出通道，每一输入通道用于输入一种边界条件，所述输出通道的尺寸与设计域尺寸大小相同。

4.根据权利要求1所述的优化方法，其特征在于，所述步骤S3包括：

将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的特征参数，在所述特征参数中选择单元密度值作为表征拓扑结构的标签信息。

5.根据权利要求1所述的优化方法，其特征在于，所述步骤S3还包括对所述边界条件和单元密度值的命名进行统一，实现所述边界条件与相应特征参数的对应。

6.根据权利要求1所述的优化方法，其特征在于，步骤S4还包括对所述边界条件和单元密度值组成的数据集进行扩充，将扩充后的数据集分成两部分，其中一部分用于对所述Mobile-U-Net卷积神经网络进行训练，另一部分用于对Mobile-U-Net卷积神经网络进行验证。

7.根据权利要求6所述的优化方法，其特征在于，所述对所述数据集进行扩充具体为对所述数据集进行镜像翻转。

8.根据权利要求1所述的优化方法，其特征在于，所述步骤S4中将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练具体为：

将所述边界条件和单元密度值不断的输入所述Mobile-U-Net卷积神经网络，并自适应调整所述Mobile-U-Net卷积神经网络的学习率，直至利用L2损失函数计算的损失函数值小于预设值或收敛。

9.一种基于卷积神经网络的多相材料结构拓扑优化系统，其特征在于，所述系统包括：

调整模块，用于将U-Net中用于特征提取的编码器网络调整为MobileNet网络，以获得Mobile-U-Net卷积神经网络；

获取模块，用于获取多种边界条件不同取值下的多个样本数据信息，将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值；

编码模块，用于将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配；

训练模块，用于将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络；

输入模块，用于将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。