[发明专利]一种利用生成对抗网络加速的结构优化设计方法

摘要

本发明公开了一种应用生成对抗网络来加速结构优化设计的方法。该加速方法能够解决传统SIMP算法在结构优化设计中计算复杂度高的问题，该方法包括模型的获取和使用两个部分，其中模型获取的主要流程为：1、预先使用SIMP法生成少量(100组)优化过程图作为训练集和测试集；2、利用数据增强技术对数据集进行扩充；3、使用编码器‑解码器构建生成器；4、使用深度卷积网络构建判别器；5、使用变形的pix2pix模型来训练生成器‑判别器并展示训练结果和保存最终训练模型。使用最终模型进行结构优化设计时，首先通过SIMP法计算少量迭代步骤，将迭代结果输入最终模型进行计算，从而实现最终优化结构的快速计算。

主权项

1.一种利用生成对抗网络加速的结构优化设计方法，其特征在于，包括以下步骤：第一步、使用SIMP算法准备数据在所有拓扑优化方法中选用传统的SIMP算法来生成少量优化过程图，并按照9：1的比例将生成的过程图数据分为训练集和测试集；第二步、利用数据增强技术对数据集进行扩充随机获取数据集中的数据，并进行以下操作：1)产生随机数A，若其大于0.5则进行上下翻转；2)产生随机数B，若其大于0.5则进行左右翻转；3)产生随机数C，若其大于0.5则进行顺时针旋转；第三步、使用编码器‑解码器构建生成器自动编码器算法将神经网络的隐含层看成是一个编码器和解码器，使用编码器学习输入数据的隐含特征，解码器可使用学习到的新特征重构出原始输入数据；第四步、使用深度卷积网络构建判别器将一张生成图片或者真实的最终结果图像作为判别器的输入；经过多层带有步长的卷积层网络进行特征提取后，最终得到和标签大小相同的、内参仅为0或1的标签数据；第五步、使用变形的pix2pix模型进行训练生成器网络和判别器网络分别定义完成后，需要将两者连接起来循环训练；先固定生成器训练判别器，使用均方误差(MSE)方法计算损失值，该损失值来自两部分，一部分为输入真实结果图得到的输出值与全1标签之间的均方误差，另一部分为输入生成结果图得到的输出值与全0标签之间的均方误差，向着判别器总损失下降的方向进行训练以达到训练判别器的目的；再固定判别器训练生成器，使用均方误差(MSE)方法计算损失值，该损失值的获取较判别器损失值的获取复杂，应先构建一个Model，该Model的输入为生成器的两个输入，输出为生成器的输出和判别器生成的标签，其中判别器的输入为生成器的输出；则生成器的损失值即为判别器生成的标签和全1标签之间的均方误差，向着生成器损失下降的方向进行训练以达到训练生成器的目的；多次循环进行固定生成器训练判别器、固定判别器训练生成器的操作，直到判别器的错误率为50％左右为止；第六步、使用最终模型对变形的pix2pix模型进行训练，生成器的图像生成能力和判别器的判别能力将会得到提高，每训练10次进行训练结果输出和当前生成器模型的保存；当训练总过程结束后，首先通过传统的SIMP算法计算少量迭代步骤，将迭代结果输入到最终保存的生成器模型中进行处理，可迅速得到最终生成结果图，从而实现最终优化结构的快速计算。