Machine Learning-Driven Real-Time Topology Optimization Under Moving Morphable Component-Based Framework
Machine Learning-Driven Real-Time Topology Optimization Under Moving Morphable Component-Based Framework
复制标题
基于移动可变形组件的框架下机器学习驱动的实时拓扑优化
DOI：
10.1115/1.4041319
复制
发表时间：
2018-10
影响因子：
2.6
通讯作者：
Xu Guo
中科院分区：
文献类型：
--
作者：
Xin Lei;Chang Liu;Zongliang Du;Weisheng Zhang;Xu Guo
在目前的工作中，它旨在讨论如何实现实时结构拓扑优化（即，一旦指定了目标/约束函数和外部刺激/边界条件，几乎立即在指定的设计领域中获得一定量材料的优化分布），这是各个学科的工程师使用机器学习（ML）技术追求的终极梦想。为此，所谓的移动变形组件（MMC）为基础的显式拓扑优化框架被用于生成训练集和支持向量回归（SVR）以及K-最近邻（KNN）ML模型被用来建立之间的映射的设计参数表征的布局/拓扑优化结构和外部负载。与现有方法相比，该方法不仅可以大大减少训练数据量和参数空间维数，而且可以通过学习过程建立各种外载荷作用下结构优化的工程直觉。数值算例表明了该方法的有效性和优越性。
In the present work, it is intended to discuss how to achieve real-time structural topology optimization (i.e., obtaining the optimized distribution of a certain amount of material in a prescribed design domain almost instantaneously once the objective/constraint functions and external stimuli/boundary conditions are specified), an ultimate dream pursued by engineers in various disciplines, using machine learning (ML) techniques. To this end, the so-called moving morphable component (MMC)-based explicit framework for topology optimization is adopted for generating training set and supported vector regression (SVR) as well as K-nearest-neighbors (KNN) ML models are employed to establish the mapping between the design parameters characterizing the layout/topology of an optimized structure and the external load. Compared with existing approaches, the proposed approach can not only reduce the training data and the dimension of parameter space substantially, but also has the potential of establishing engineering intuitions on optimized structures corresponding to various external loads through the learning process. Numerical examples provided demonstrate the effectiveness and advantages of the proposed approach.
登录
查看更多内容
DOI：
10.1515/rnam-2019-0018
发表时间：
2019-08-01
影响因子：
0.6
作者：
Sosnovik, Ivan;Oseledets, Ivan
通讯作者：
Oseledets, Ivan
影响因子：
3.7
作者：
T. Burr
通讯作者：
T. Burr
影响因子：
2.5
作者：
E. Ziegel
通讯作者：
E. Ziegel
DOI：
10.1115/detc2007-34326
发表时间：
2007-09
期刊：
--
影响因子：
--
作者：
C. Fleury
通讯作者：
C. Fleury
DOI：
--
发表时间：
2006-12
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Andrej Bratko;G. Cormack;B. Filipič;T. Lynam;B. Zupan
通讯作者：
Andrej Bratko;G. Cormack;B. Filipič;T. Lynam;B. Zupan