.png){kind=icon}
返回
Diffusion models for topology optimization in 3D printing applications
.png){kind=icon}
OA
AI
DOI：10.1063/5.0246189.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构拓扑优化是航空航天、机械和土木工程中工程设计的关键方面，旨在发现优化机械性能的理想物理结构，特别是在3D结构中。近年来，生成对抗网络（GANs）和自编码器作为传统迭代拓扑优化方法的替代方案而受到关注。然而，这些模型在训练方面往往存在挑战，表现出有限的泛化能力，并且优先模仿最优结构，而忽视了诸如可制造性和机械合规性等因素。为应对这些局限性，我们提出了一种基于条件扩散模型的架构，旨在实现不仅性能感知而且可制造性感知的拓扑优化，特别针对3D结构。我们的方法整合了基于代理模型的指导策略，主动促进具有低合规性和优良可制造性的结构。我们方法的结果超越了当前最先进的条件GAN和条件变分自编码器（VAE），将物理性能的平均误差降低八倍，并生成十一倍更少的不可行样本。通过将扩散模型引入3D拓扑优化，我们还展示了条件扩散模型在工程设计综合应用中的卓越能力。此外，我们的工作为使用扩散模型和外部性能解决工程优化问题提供了一个更广泛的框架，同时考虑约束感知的指导。
期刊
IF:
2.5
论文数:
2.7K
被引数:
14.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Deep learning for determining a near-optimal topological design without any iteration无需任何迭代即可确定近似最优拓扑设计的深度学习
OAAI
OAAI分享收藏 没有更多内容
没有更多内容