基于卷积神经网络的拓扑优化(CNN-TO):从材料分布的敏感性估计成本
本文提出了一个拓扑优化框架,使用神经网络在提高分辨率的同时优化功能梯度连续纤维增强复合材料的矩阵拓扑和纤维分布,最终通过有限元模拟和加法制造的方法实现了优化连续纤维增强复合材料的制备。
May, 2022
使用神经网络进行直接多尺度拓扑优化的新方法,通过反向均质化来优化每个细胞以实现良好的连接性,持续改善相邻微结构细胞之间的兼容性,实现 n 维多尺度优化问题的 2n 维反向均质化问题。
Apr, 2024
机器学习与拓扑优化的整合引起了广泛关注,物理信息神经网络(PINN)可以在解决前向问题时避免产生大量数据,并提供更好的推断。因此,提出了一种动态配置的基于 PINN 的拓扑优化方法(DCPINN-TO),该方法通过动态配置可训练参数并使用活跃采样策略,实现对位插值点的选择性采样。经过多个验证例子和多载荷、多约束问题的考察,验证了 DCPINN-TO 方法的可行性,同时与基于有限元分析的拓扑优化方法(FEA-TO)相比,位移预测准确性和优化结果的准确性表明 DCPINN-TO 方法具备高效性和有效性。
Dec, 2023
本研究基于 Topology Optimization 方法和深度学习理论,提出了一种新型基于卷积神经网络的重参数化优化策略 SolarNet,通过优化卷积神经网络的参数来设计更好的太阳能电池电极。研究表明,这一策略可以用于不同形状的太阳能电池,并改善了传统 TO 方法的效果。
Apr, 2021
应用基于物理学的神经网络技术(PINNs)开发出一种具有先进拓扑结构的拓扑优化框架,实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。
Mar, 2023
本研究提出一种直接无网格法进行拓扑优化的方法,它能够将密度场近似神经网络与位移场近似神经网络集成起来,实现良好的优化效果,且无需使用网格法和有限元分析 (FEA),可以无缝与后处理软件集成。
May, 2023
卷积神经网络(CNN)在面对声音识别、自然语言处理或计算机视觉等具有挑战性的任务时被广泛使用。本文提出了一种新颖的 CNN 优化和构建方法,基于剪枝和知识蒸馏,旨在确定卷积层的重要性,以减少计算要求,并在资源受限设备上部署。经过彻底的实证研究,包括最佳数据集(CIFAR-10、CIFAR-100 和 Imagenet)和 CNN 架构(VGG-16、ResNet-50、DenseNet-40 和 MobileNet),我们评估了该提议,并将准确度损失和剩余参数比率作为客观指标来比较 OCNNA 与其他最先进的方法的性能。与其他 20 多种卷积神经网络简化算法相比,我们的方法取得了出色的结果。因此,OCNNA 是一种竞争性的 CNN 构建方法,可以简化神经网络部署到物联网或资源有限设备的过程。
Dec, 2023
本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法,与传统算法相比,该方法计算代价极低,只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间,且得到的优化方案可以得到验证。
Jan, 2019
本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述,并描述和评估了一些层次分类器。此外,本文还开发了一种可视化分类错误的新方法,并在 CIFAR-100 上量化了一些结果,如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型,它只有 100 万个学习参数,适用于 32x32x3 和 100 类输入,并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。
Jul, 2017
本文提出了一种基于纯 CNN 架构的新型拓扑感知 CNN (Ta-CNN),通过引入跨通道特征增强模块,可以有效增强拓扑特征,证明了 GCNs 的拓扑模型能力也可以通过 CNN 来实现。同时,通过独特的 SkeletonMix 策略,进一步提高了性能。在四个广泛使用的数据集上进行了广泛的实验,结果表明 Ta-CNN 优于现有的基于 CNN 的方法,在 GFLOPs 和参数要求上明显优于 GCN-based 方法具有可比性的性能。
Dec, 2021