.png){kind=icon}
返回
Material-efficient 2D skeletal structure design using convolutional neural networks
.png){kind=icon}
OA
AI
DOI：10.1016/j.mtcomm.2025.114400.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构优化在实现高效材料利用和最大化结构性能方面发挥着关键作用。然而，传统方法由于迭代性质，通常面临高昂的计算成本。融入符合规范的设计准则可增强结构完整性和实际适用性，但进一步加剧了计算需求。本研究提出了一种基于卷积神经网络（CNN）的框架，并辅以构件截面分类算法，在生成符合规范的骨架结构时，计算效率提高了六倍以上。所提出的流程可根据用户定义的参数（如边界条件、初始域几何形状和加载工况）生成稳健的、可直接组装的框架设计。与大多数仅关注材料布局的现有方法不同，本研究引入了一种能够联合确定结构拓扑和构件尺寸的方法，这对于创建可直接组装的设计至关重要。生成式卷积神经网络模型在生成最优框架图像方面实现了超过91%的准确率。然而，通过整合战略几何特征识别算法，几何特征得以近乎完美的准确度识别，有效克服了生成器引入损失所带来的固有局限性。该方法的有效性通过多个案例研究得到验证，证实了在轴向、弯曲和剪切组合荷载下预测构件截面的准确性，符合既定的设计规范。通过融入稳健的几何特征提取机制，该框架能够可靠地生成通过关键完整性检查的设计，并可在多个工程领域应用。
Keyword:
Convolutional Neural Networks
Data-Driven Optimization
Design-Aware Optimization
Section Identification
Structural Optimization
Structural Design
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:
4.5
论文数:
1.6W
被引数:
3.7W
机构
引用论文
分享收藏An End-to-End Framework for the Additive Manufacture of Optimized Tubular Structures.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容