- 电网拓扑优化中的代理故障检测:一项综合分析
通过深度强化学习(DRL)对传输网络进行拓扑优化已经成为研究热点。本研究针对电力网格故障进行失败模式识别,并通过多类别预测方法探测故障,最终得出特征重要性分析结果。
- HUGO: 结合深度强化学习与启发式目标拓扑方法的突出显示未见格点选项
通过使用特定的目标拓扑结构(TTs),以其鲁棒性为基础,本研究提出了一种更全面的自动化电网运行解决方案,采用深度强化学习算法对电网进行拓扑优化,与之前的算法相比,结果表明得分提高了 10%,并且加入 TTs 后,存活率提高了 25%。
- 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。
- 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。
- NITO: 基于神经网络的无分辨率拓扑优化的隐式场
拓扑优化是工程设计中的重要任务,我们引入了深度学习的新方法 —— 神经隐式拓扑优化(NITO),该框架可以加速拓扑优化问题。NITO 具有分辨率自由和领域不可知的解决方案,在十分之一的时间内比最新的扩散模型具有最多七倍的结构效率,并且引入了 - 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 - 结构部件设计的潜在扩散模型
该论文提出了一个用于生成结构组件设计的框架,利用潜在扩散模型生成满足一系列问题特定加载条件的潜在设计,从而具有编辑现有设计的优势。通过使用结构拓扑优化得到的几何数据集进行训练,我们的框架生成了近乎最优的设计,并提供了定量结果支持生成设计的结 - 通过修正操作来提高非线性变分边界值问题的神经算子代理模型的准确性和可靠性
本文介绍了一种基于线性变分问题的框架,通过矫正算子解决神经算子的非准确性问题,从而提高神经算子在参数化偏微分方程中的应用效果。数值实验结果显示,通过该框架得到的矫正算子,能够大幅提高神经算子的精度,显著避免其在拓扑优化等相关问题中出现较大误 - 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。
- 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。
- 基于 AlphaZero 的拓扑优化电网拥堵管理
本文提议使用 AlphaZero 算法来优化电网拓扑结构,作为一种无需成本,碳排放较少的电网拥堵管理替代方案。研究结果表明,拓扑优化能够有效降低电网调度需求,并与传统拥堵管理方法兼容。
- 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。
- 基于深度强化学习的网络拓扑优化
本研究提出了一种新颖的深度强化学习算法,称为优势演员评论 - 图搜索(A2C-GS),用于网络拓扑优化,并通过在真实网络场景上进行案例研究,证明了 A2C-GS 在效率和性能方面具有卓越的性能。
- ICLR使用卷积神经网络来改进太阳能电池的金属化设计
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 - MM集成接入与回传网络中拓扑优化和路由的一种基于遗传算法的方法
研究拓扑优化和 IAB 网络中路由的问题,提出了基于遗传算法的 IAB 节点部署和非 IAB 回程链路分布的有效方案,并研究了系统性能的影响因素,最终总结了 IAB 网络路由的主要挑战和优势。
- 带硬约束的物理知识神经网络用于反问题设计
本文提出一种基于物理约束神经网络(hPINNs)的新的深度学习方法用于解决基于偏微分方程(PDEs)和附加不等式的拓扑优化,该方法拥有硬约束,可在不需要偏微分方程求解器的情况下处理大量维度较高的问题。使用 hPINN 解决全息术和 Stok - 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。
- 一种基于条件深度学习的新型拓扑优化方法
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。