[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

说明书

本发明属于结构优化相关技术领域，其公开了一种基于卷积神经网络的结构拓扑优化方法及系统，优化方法包括：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；获取多种边界条件的多个样本数据信息，将样本数据信息分别输入Ordered SIMP获得对应的拓扑结构的单元密度值；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；采用边界条件和单元密度值对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；将待优化结构的边界条件输入训练完成的Mobile‑U‑Net卷积神经网络获得拓扑优化结构。本申请通过设计一种用于结构优化的卷积神经网络，实现可以考虑多种因素并且快捷高效的结构拓扑优化。

技术领域

本发明属于结构优化相关技术领域，更具体地，涉及一种基于卷积神经网络的多相材料结构拓扑优化方法及系统。

背景技术

随着技术的发展，工程应用中对材料的性能要求越来越高，需要材料具有较好的力学性能，由于多相材料具有较好的性能，因此得到了广泛应用，因此为了更好的研究材料组成结构需要将材料的相数考虑在内。

现有的基于有限元分析的传统多相材料结构拓扑优化设计方法都是需要进行大量的数值迭代计算才能获得设计域内材料的最佳布局方式，这种计算效率低下的问题也被称为“维数诅咒”，即随着结构拓扑优化设计问题的参数数量和迭代次数稍有增加时，完成一次拓扑优化设计所需要的时间成本和内存消耗将显著增加。因此，亟需设计一种可以消除传统拓扑优化设计方法中耗时的有限元数值迭代计算过程，同时可以考虑多种因素、快速获得优化结构的方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的材料结构拓扑优化方法及系统，通过设计一种用于结构优化的卷积神经网络，实现可以考虑多种因素并且快捷高效的结构拓扑优化。

为实现上述目的，按照本发明的一个方面，提供了一种基于卷积神经网络的多相材料结构拓扑优化方法，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单元密度值；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；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。

优选地，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。

优选地，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。

优选地，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。

优选地，所述步骤S3包括：将多个所述样本数据信息分别输入OrderedSIMP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。

优选地，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。