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：CN113505929B

主分类号：G06F30/18

分类号：G06F30/18;G06F30/27;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嵌入物理约束深度学习技术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；利用材料分布的平均绝对误差，体积约束和柔度约束构建损失函数，根据损失函数利用反向传播训练更新深度神经网络；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。本发明通过利用训练数据训练深度神经网络模型，并将包括体积约束和柔度约束的物理约束加到损失函数中用于神经网络训练，能够提高训练准确率和效率，以更少的样本达到较好的训练效果，实现拓扑优化结构的高效快速预测。

主权项：1.一种基于嵌入物理约束深度学习技术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；利用材料分布的平均绝对误差，体积约束和柔度约束构建损失函数，根据损失函数利用反向传播训练更新深度神经网络；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，负载条件和体积约束条件；利用材料分布的平均绝对误差，体积约束和柔度约束，构建损失函数为： 其中，loss表示损失函数，MAE表示材料分布的平均绝对误差，表示材料分布的体积约束，REC表示材料分布的柔度约束，λ1，λ2和λ3均表示函数参数；材料分布的平均绝对误差MAE、材料分布的体积约束材料分布的柔度约束REC利用以下公式计算： 其中，M表示总的单元数，M1×M2表示设计主体的设计区域的划分网格，表示标签中第i个单元的密度值，表示预测中第i个单元的值，ke表示单元刚度矩阵，ye表示标签中单元的密度值，表示预测中单元的密度值，U表示全局位移矢量，K表示刚度矩阵，ue表示设计主体的第e个设计单元的单元位移向量，p表示惩罚因子。

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 基于嵌入物理约束深度学习技术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