基于深度学习的两阶段实时显式拓扑优化方法 孙舒杨.pdf

吉林大学学报(工学版)
Journal of Jilin University(Engineering and Technology Edition)
ISSN 167t)等为代表的传统连续体拓扑优化算法具有的计算
代价昂贵、生成结构几何隐式等缺陷，结合深度学****与可移动变形组件法（MMC），提出一种基于深度学****的两
阶段实时显式拓扑优化方法。在第一阶段使用深度学****模型预测取代有限元分析的多数费时迭代计算，第二阶段
对深度学****模型预测所得结构进行少量迭代微调，形成最终的带有显式几何特征的优化结构。在相对一般的数据
集下定量与定性地验证了本文方法的可行性与有效性，并研究了第一阶段深度学****模型的训练程度与最终生成结
构质量及总体耗费时间的关系。结果表明，与传统连续体拓扑优化算法相比，该方法能在保证拓扑优化结构生成
质量的同时节约 90%以上的计算时间。
关键词：计算机应用；拓扑优化；深度学****可移动变形组件法；计算机辅助设计
中图分类号：TP399 文献标志码：A
DOI：.jdxbgxb20220119

A deep-learning-based two-stage approach for
real-time explicit topology optimization
SUN Shu-yang1,2，CHENG Wei-bin1，ZHANG Hao-zhen1，DENG Xiang-ping1，QI Hong1,2
(1. College of Computer Science and Technology，Jilin University，Changchun 130012，China; 2. Key Laboratory
of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun
130012, China)
Abstract: To overcome the shortcomings like computational expensive and inability to generate structures with explicit geometry of
traditional topology optimi