May, 2023

DMF-TONN：基于神经网络的直接无网格拓扑优化

PDF
TL;DR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。
topology optimizationmesh-free methodneural networkcompliancelinear elasticity
发现论文，激发创造
  • FRC-TOuNN: 使用神经网络进行连续纤维增强复合材料的拓扑优化

    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

  • 3DMeshNet：一种用于结构化网格生成的三维差分神经网络

    通过将网格生成相关的微分方程嵌入神经网络的损失函数中，我们提出了一种新的方法，3DMeshNet，用于三维结构化网格的生成。该方法以几何点为输入，学习参数化和计算域之间的潜在映射，并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明，3DMeshNet 稳健且快速，并且与传统的网格划分方法相比，产生优越的网格，并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间，将网格生成开销降低了 4 至 8 倍。

    May, 2024

  • 使用带条件域初始化的神经网络进行拓扑优化以提高效率

    本研究提出了基于神经网络的拓扑优化领域初始化的方法，并证明通过在未优化的区域上使用先前的初始场，可以进一步提高神经网络拓扑优化的效率。

    May, 2023

  • MeshingNet：基于深度学习的新网格生成方法

    使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

    Apr, 2020

  • 多尺度拓扑优化使用神经网络

    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

  • 通过无数据网格移动器改进神经 PDE 求解器

    本文提出了一种利用神经网格适配器的神经 PDE 求解器和基于移动网格的神经 PDE 求解器，以解决传统方法中昂贵优化网格数据和自由度拓扑变化的挑战，并通过实验证明了方法的有效性。

    Dec, 2023

  • 物理知识神经网络拓扑优化：应用于隐形几何物体的非侵入式探测

    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

  • 拓扑优化应用中的动态配置物理信息神经网络

    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

  • 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

    本研究提出了一种新的拓扑优化方法，该方法应用了卷积神经网络（CNN）解决了一个常见类型的最大刚度拓扑优化问题，并通过分析密度分布中的刚度信息来优化结构设计。

    Dec, 2019

  • 机器学习优化的 MESHFREE 模拟参数选择方法

    通过结合机器学习和 Fraunhofer 的 MESHFREE 软件，利用数值点云在广义有限差分方法中实现复杂流动区域、移动几何体和自由表面的有效处理，本研究提供了参数优化在无网格模拟中的宝贵见解，增强了科学和工程应用的可访问性和可用性。

    Mar, 2024