論文の概要: Deep learning-based topological optimization for representing a
user-specified design area
- arxiv url: http://arxiv.org/abs/2004.05461v2
- Date: Sun, 19 Apr 2020 13:44:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:07:48.315731
- Title: Deep learning-based topological optimization for representing a
user-specified design area
- Title（参考訳）: 深層学習に基づくユーザ指定設計領域を表現するトポロジ最適化
- Authors: Keigo Nakamura and Yoshiro Suzuki
- Abstract要約: 本稿では,設計領域や他の境界条件に対して,繰り返しを伴わない最適化された構造を生成するための新しいディープラーニングモデルを提案する。
最適化された構造の解像度は32×32ピクセルであり、設計条件は設計面積、体積率、外部力の分布、負荷である。
提案モデルの性能をBNとSPADEを使用しないCNNモデルと比較し,平均絶対誤差(MAE),平均コンプライアンス誤差,ボリューム誤差と,MAT-LAB符号で生成された最適化トポロジ構造との比較を行った。
- 参考スコア（独自算出の注目度）: 0.060917028769172814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Presently, topology optimization requires multiple iterations to create an
optimized structure for given conditions. Among the conditions for topology
optimization,the design area is one of the most important for structural
design. In this study, we propose a new deep learning model to generate an
optimized structure for a given design domain and other boundary conditions
without iteration. For this purpose, we used open-source topology optimization
MATLAB code to generate a pair of optimized structures under various design
conditions. The resolution of the optimized structure is 32 * 32 pixels, and
the design conditions are design area, volume fraction, distribution of
external forces, and load value. Our deep learning model is primarily composed
of a convolutional neural network (CNN)-based encoder and decoder, trained with
datasets generated with MATLAB code. In the encoder, we use batch normalization
(BN) to increase the stability of the CNN model. In the decoder, we use SPADE
(spatially adaptive denormalization) to reinforce the design area information.
Comparing the performance of our proposed model with a CNN model that does not
use BN and SPADE, values for mean absolute error (MAE), mean compliance error,
and volume error with the optimized topology structure generated in MAT-LAB
code were smaller, and the proposed model was able to represent the design area
more precisely. The proposed method generates near-optimal structures
reflecting the design area in less computational time, compared with the
open-source topology optimization MATLAB code.
- Abstract（参考訳）: 現在、トポロジー最適化は、与えられた条件に対して最適化された構造を作成するために複数のイテレーションを必要とする。
トポロジー最適化の条件のうち、設計領域は構造設計において最も重要なものの一つである。
本研究では,設計領域と他の境界条件を反復せずに最適化した構造を生成するための新しいディープラーニングモデルを提案する。
そこで我々はオープンソースのトポロジ最適化MATLABコードを用いて,様々な設計条件下で最適化された構造を生成する。
最適化された構造の解像度は32×32ピクセルであり、設計条件は設計領域、体積分数、外部力の分布、負荷値である。
我々のディープラーニングモデルは、主に畳み込みニューラルネットワーク(CNN)ベースのエンコーダとデコーダで構成され、MATLABコードで生成されたデータセットでトレーニングされている。
エンコーダでは,バッチ正規化(BN)を用いてCNNモデルの安定性を向上させる。
デコーダでは、設計領域情報を強化するためにSPADE (spatially Adaptive Denormalization) を用いる。
提案モデルの性能をBNとSPADEを使用しないCNNモデルと比較すると,平均絶対誤差(MAE),平均コンプライアンス誤差(MAE),体積誤差(ボリューム誤差)の値はMAT-LAB符号で生成された最適化トポロジ構造よりも小さく,提案モデルは設計領域をより正確に表現することができた。
提案手法は,オープンソーストポロジ最適化MATLABコードと比較して,設計領域を少ない計算時間で反映した準最適構造を生成する。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Bayesian Mesh Optimization for Graph Neural Networks to Enhance Engineering Performance Prediction [1.6574413179773761]
工学設計において、サロゲートモデルは計算コストのかかるシミュレーションを置き換えるために広く使われている。
本稿では3次元ディープラーニングに基づく代理モデルのためのベイズグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々のフレームワークはベイズ最適化によってメッシュ要素の最適サイズを決定し、その結果、高精度なサロゲートモデルが得られる。
論文 参考訳（メタデータ） (2024-06-04T06:27:48Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-08T22:33:14Z) - Deep convolutional neural network for shape optimization using level-set
approach [0.0]
本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。
CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
論文 参考訳（メタデータ） (2022-01-17T04:41:51Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - Convolution Neural Network Hyperparameter Optimization Using Simplified
Swarm Optimization [2.322689362836168]
畳み込みニューラルネットワーク(CNN)はコンピュータビジョンで広く使われている。
パフォーマンスが向上したネットワークアーキテクチャを見つけるのは容易ではない。
論文 参考訳（メタデータ） (2021-03-06T00:23:27Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。