[发明专利]基于域分解和神经网络的拓扑优化设计模型降阶方法

权利要求书

1.一种由计算机执行的用于计算结构的机械场的方法，所述方法包括：

以精细尺度结构对所述结构进行建模，其中所述精细尺度结构是通过将所述结构划分成多个精细尺度元素而获得的；

粗化所述精细尺度结构以产生粗尺度结构，使得所述粗尺度结构由多个粗尺度元素组成，其中所述多个粗尺度元素中的相应粗尺度元素的数量小于所述多个精细尺度元素中的相应精细尺度元素的数量；

将有限元法应用于所述粗尺度结构以计算所述结构的粗尺度机械场；

从所述粗尺度机械场得到所述结构的精细尺度机械场，其中从所述粗尺度机械场得到所述精细尺度机械场包括：

将所述粗尺度机械场碎片化成多个碎片，由此单个碎片具有所述粗尺度机械场上的碎片边界，使得所述单个碎片是所述粗尺度机械场的位于所述碎片边界内的局部部分；

使用人工神经网络将所述粗尺度机械场的局部部分映射到所述精细尺度机械场的对应局部部分，由此为所述多个碎片计算所述精细尺度机械场的对应局部部分；以及

组合所述精细尺度机械场的对应局部部分以生成所述精细尺度机械场；

以及

将生成的精细尺度机械场设定为所述结构的机械场，从而允许使用与粗尺度机械场相比更高精度的精细尺度机械场作为机械场，而不需要使用有限元法从精细尺度结构直接计算整个精细尺度机械场以节省计算成本。

2.根据权利要求1所述的方法，其中所述人工神经网络被实现为多参与路径神经网络，即MapNet。

3.根据权利要求2所述的方法，其中所述MapNet包括多个卷积层、多个反卷积层和残差块，其中所述卷积层和反卷积层中的每一个都具有3×3的滤波器尺寸和激活函数RELU，除所述MapNet的最后一层之外的每一个卷积层和反卷积层都具有2×2的步长，所述MapNet的最后一层具有1×1的步长，其中所述MapNet的输入是所述粗尺度机械场的局部部分以及精细尺度密度场在所述碎片边界内的对应局部部分，所述精细尺度密度场由所述精细尺度结构限定，并且其中在每个反卷积层处添加向下采样自所述精细尺度密度场的具有相同尺度的密度场。

4.根据权利要求1所述的方法，其中在将所述粗尺度机械场的局部部分映射到所述精细尺度机械场的对应局部部分的过程中，所述人工神经网络根据精细尺度密度场和所述粗尺度机械场的局部部分来预测所述精细尺度机械场的对应局部部分，其中所述精细尺度结构限定所述精细尺度密度场。

5.根据权利要求1所述的方法，其中在粗化所述精细尺度结构以产生所述粗尺度结构的过程中，通过按尺度缩小精细尺度密度场以得到粗尺度密度场的方式获得所述粗尺度结构，其中所述精细尺度结构限定所述精细尺度密度场，并且其中所述粗尺度密度场限定所述粗尺度结构。

6.根据权利要求1所述的方法，其中在将所述粗尺度机械场碎片化成多个碎片的过程中，所述多个碎片中的相应碎片之间存在碎片重叠。

7.根据权利要求1所述的方法，其中在将所述粗尺度机械场碎片化成多个碎片的过程中，所述多个碎片中的相应碎片之间不存在碎片重叠。

8.一种由计算机执行的用于根据设计要求执行结构的拓扑优化的方法，所述设计要求规定为使受到一个或多个约束的目标函数最小化或最大化，所述方法包括以下步骤：

(a)选择候选结构，用于测试所述候选结构是否满足所述设计要求；

(b)根据权利要求1-7中任一项所述的方法计算所述候选结构的机械场；

(c)使用计算出的机械场来评估所述目标函数、所述一个或多个约束或所述目标函数和所述一个或多个约束两者；

(d)确定所述候选结构是否满足所述设计要求；以及

(e)如果所述候选结构不满足所述设计要求，则更新候选结构并且重复步骤(b)至(e)，反之则将满足所述设计要求的候选结构设定为由拓扑优化获得的结构。

9.根据权利要求8所述的方法，其中所述目标函数和所述一个或多个约束与结构柔度最小化的设计问题相关，并且其中所述机械场是应变能场。

10.根据权利要求8所述的方法，其中所述目标函数和所述一个或多个约束与热柔度最小化的设计问题相关，并且其中所述机械场是温度场。