May, 2023

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

PDF
TL;DR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。
neural networktopology optimizationinitializationstrain energy fieldefficiency
发现论文，激发创造
  • DMF-TONN：基于神经网络的直接无网格拓扑优化

    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

  • 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

  • 带任意微分阶硬约束的神经场

    本文提出了一种基于 Meshless 插值和谱协方差方法的约束神经场方法，针对深度神经网络优化问题中缺乏硬性约束优化的现状，其约束可以具体指定为应用于神经场及其导数的线性算子，并展示了其在许多实际应用中的实验效果和高效的模型约束陈述框架。

    Jun, 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

  • 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

  • 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

  • 基于神经网络的无梯度拓扑优化

    通过预训练的神经重参数化策略，在潜在空间中优化设计相对于传统方法而言能减少至少一个数量级的迭代次数，这在拓扑优化中具有重要意义。

    Mar, 2024

  • 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

  • 用进化功能化的人工神经网络

    提出了一种基于张量微积分和拟达尔文机制的混合模型，用于寻找适合于策略、控制和模式识别任务的拓扑结构，并且能够在早期演化阶段提供适应的拓扑结构，从而在机器人，大数据和人工生命等领域得到应用。

    May, 2022

  • 从激活到初始化：优化神经场的扩展洞见

    深入研究网络初始化和激活之间的复杂相互作用，为神经场的鲁棒优化提供了基础，强调了在设计尖端神经场时需要采用整体方法。

    Mar, 2024