申请/专利权人：中国人民解放军军事科学院国防科技创新研究院

申请日：2021-07-16

公开（公告）日：2024-04-16

公开（公告）号：CN113505880B

主分类号：G06F30/18

分类号：G06F30/18;G06F30/27;G06F30/23;G06N3/0464;G06N3/084;G06F111/04;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.02#实质审查的生效;2021.10.15#公开

摘要：本发明公开了一种基于特征金字塔网络的拓扑最优结构预测方法，包括：生成训练数据；对训练数据进行预处理；根据预处理后的训练数据构建并训练深度神经网络以拟合在给定约束条件下的设计主体与设计主体的最优材料分布的映射关系，深度神经网络采用特征金字塔网络；构建损失函数，根据损失函数利用反向传播训练更新深度神经网络，损失函数为平均绝对误差损失函数，均方误差损失函数或交叉熵损失函数；利用训练更新后的深度神经网络，预测力学性能指标最优的材料分布。本发明通过利用已有数据训练特征金字塔网络，能够利用训练后的网络模型实现拓扑优化结构的高效快速预测，节约计算时间，降低计算成本。

主权项：1.一种基于特征金字塔网络的拓扑最优结构预测方法，其特征在于，包括：生成训练数据，其中，训练数据包括给定的设计主体的约束条件，以及包括在给定约束条件下的设计主体的最优材料分布；对训练数据进行预处理，以使深度神经网络的输入数据和输出数据的维度相同；根据预处理后的训练数据构建并训练深度神经网络以拟合在给定约束条件下的设计主体与设计主体的最优材料分布的映射关系，其中，深度神经网络采用特征金字塔网络；构建损失函数，根据损失函数利用反向传播训练更新深度神经网络，其中，损失函数为平均绝对误差损失函数，均方误差损失函数和交叉熵损失函数中的任一种；利用训练更新后的深度神经网络，预测力学性能指标最优的材料分布；所述设计主体的约束条件包括：边界条件，负载条件，体积约束条件和过滤半径约束条件；所述设计主体为受力梁，所述受力梁一端横向固定在基础结构上，且一端的一节点承受力F的作用，另一端的一节点纵向固定在基础结构上；所述生成训练数据包括：将受力梁的设计区域设计为方形线性设计区域，对方形线性设计区域进行网格划分，划分成M1×M2个网格，使得每个网格刚好是一个设计变量xe，在边界条件约束上，获取左边一列元素都为1，其余元素均为0的M1+1×M2+1横向边界约束矩阵X1，获取右下角节点为1，其余元素均为0的M1+1×M2+1纵向边界约束矩阵X2，在负载条件约束上，将承受的力F分解成横向方向px＝Fcosθ，与纵向方向py＝Fsinθ，受力节点值为Fcosθ，其余没有受力的则为0，获取一个受力节点元素为px＝Fcosθ，其余元素均为0的M1+1×M2+1横向负载矩阵X3，获取一个受力节点元素为py＝Fsinθ，其余元素均为0的M1+1×M2+1纵向负载矩阵X4，在体积约束条件上，在M1×M2个网格单元中，设定每个xe＝Vf，Vf表示体积分数，生成一个M1×M2的体积约束矩阵X5，在过滤半径约束条件上，在M1×M2个网格单元中，设定每个网格单元中数值r＝Rmin，Rmin表示过滤半径，生成一个M1×M2的过滤半径约束矩阵X6，基于上述确定的约束条件，计算受力梁的最优材料分布Y1，获得一组训练数据X1,X2,X3,X4,X5,X6,Y1；重复多次上述训练数据的获取过程，直至得到预设数量的训练数据；将6个维度矩阵X1,X2,X3,X4,X5,X6看成6个输入到深度神经网络中的通道，把X1,X2,X3,X4四个通道先做一个卷积核为2×2的卷积，使得四个通道由M1+1×M2+1矩阵变换为M1×M2矩阵，使得神经网络的六个输入通道与一个输出通道都为M1×M2矩阵。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院国防科技创新研究院 基于特征金字塔网络的拓扑最优结构预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD