A surrogate model for topology optimisation of elastic structures via parametric autoencoders
Matteo Giacomini, Antonio Huerta
提出了基于代理的拓扑优化算法,用于参数负载和边界条件下的线性弹性结构。 而不是学习状态(和相邻)问题的参数化解决方案或优化轨迹作为迭代的函数,建议的方法设计整个优化管道的替代版本。 首先,该方法预测给定问题配置的准最优拓扑结构,作为使用同质化方法优化的高保真拓扑结构的替代模型。 这是通过向前馈网络学习实现,在系统设置特征的输入参数和由编码器/解码器块确定的潜在空间之间的映射,减少了参数拓扑优化问题的维度并重建拓扑的高维表示。 然后,预测拓扑用作计算效率算法的初始猜测,该算法惩罚设计变量的中间值,同时执行系统的调节方程。 这一步允许该方法纠正替代模型引入的潜在错误,消除工件,并改进设计,以产生与底层物理学一致的拓扑结构。 提出了不同的架构,并对结果模型的近似和概括能力进行了数值评估。 准最优拓扑允许通过将优化迭代的平均次数减少53%,同时在目标功能的最佳值下实现低于4%的差异,即使在测试模型以推断超出训练和验证域的挑战性场景中,也能超越高保真优化器。
A surrogate-based topology optimisation algorithm for linear elastic structures under parametric loads and boundary conditions is proposed. Instead of learning the parametric solution of the state (and adjoint) problems or the optimisation trajectory as a function of the iterations, the proposed approach devises a surrogate version of the entire optimisation pipeline. First, the method predicts a quasi-optimal topology for a given problem configuration as a surrogate model of high-fidelity topol...