基于机器学习与可移动变形组件法的实时拓扑优化研究

结构拓扑优化可以帮助工程师在没有先验知识的情况下，获得具有创新性的产品/结构设计，目前已成为了数字化设计平台不可缺少的重要支撑工具。而实现实时拓扑优化设计（即在给定设计区域，外荷载以及约束条件后即可马上得到最优结构形式）更是工程师们长久追寻的终极梦想。近日，大连理工大学工程力学系郭旭教授团队将机器学习与基于可移动变形组件(MMC)的拓扑优化方法相结合，利用显式的MMC方法生成数据集，通过机器学习中的SVR和KNN模型建立起最优结构设计参数与外载荷之间的映射关系，对实现实时拓扑优化设计开展了探索性研究。由于MMC方法以结构显式几何参数作为设计变量，优化问题设计变量极少，因此相比已有方法（如基于像素学习的方法），该方法大大减少了机器学习训练集的数据量及相应参数空间的维度，并且通过学习过程得到的"知识"有助于建立最优结构与对应载荷的工程直觉。目前相关论文已被期刊《Journal of Applied Mechanics-Transactions of the ASME》接收。

文章全文如下: