.png){kind=icon}
返回
A complete Physics-Informed Neural Network-based framework for structural topology optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.cma.2023.116401.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物理信息神经网络 (pinn) 最近在拓扑优化领域获得了越来越多的关注。深度学习和拓扑优化的融合已成为有见地的研究的突出领域，其中神经网络中损失函数的最小化可以与拓扑优化中目标函数的最小化相媲美。受pinn概念的启发，本文提出了一种新颖的框架，即 “基于完整物理信息的神经网络的拓扑优化 (CPINNTO)”，以解决拓扑优化中的各种挑战，尤其是与结构优化有关的挑战。所提出的框架的关键创新在于通过两个不同引脚的集成引入了第一个完整的基于机器学习的拓扑优化框架。本文采用深度能量法 (DEM) PINN对相应结构的变形状态进行数值确定。此外，在灵敏度分析PINN (s-pinn) 中，关于设计变量的目标函数的推导被自动微分代替。CPINNTO框架的可行性和潜力已经通过几个案例研究进行了评估，同时强调了在拓扑优化中利用pinn的优势和局限性。随后的发现表明，CPINNTO可以在没有标记数据或FEA的情况下实现最佳拓扑。数值示例表明，CPINNTO能够稳定地获得用于各种拓扑优化应用的最佳结构，包括柔度最小化问题，多约束问题和三维问题。与通过基于密度的拓扑优化获得的设计相比，所得设计表现出良好的柔度值。总之，提出的CPINNTO框架为结构拓扑优化开辟了新颖而有趣的可能性。(c) 2023作者 (s)。这是CC by-NC许可证 (由-nc/4.0/ http://creativecommons.org/licenses/ ) 下的开放获取文章。
Keyword:
Topology optimization
Physics informed neural networks
Machine learning
Solid mechanics
Design optimizations
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
Stiffness design of geometrically nonlinear structures using topology optimization基于拓扑优化的几何非线性结构刚度设计
.png){kind=icon}
PREAI
分享收藏Evolutionary topology optimization of continuum structures with smooth boundary representation具有光滑边界表示的连续体结构的进化拓扑优化
PREAI
分享收藏The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity解决有限应变超弹性中浓度特征的混合深度能量方法OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Convergent and mesh-independent solutions for the bi-directional evolutionary structural optimization method双向进化结构优化方法的收敛和网格无关解
PREAI
分享收藏SURF: A connectivity-based space filling curve construction algorithm in high genus 3D surface WSNsSURF: 一种基于连通性的高属三维曲面WSNs空间填充曲线构建算法
PREAI
分享收藏
查看更多内容