.png){kind=icon}
返回
Neural Topology Optimization Using B-Spline Positional Encoding
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-026-5391-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
拓扑优化为结构设计提供轻量化与高性能解决方案。随着神经网络的快速发展，利用神经网络架构的拓扑优化方法日益受到关注。在这些方法中，位置编码对于使神经网络捕获高频几何特征至关重要，使其集成到基于神经网络优化方法中成为有前景的探索方向。本文聚焦于位置编码，通过引入基于样条的位置编码到神经网络拓扑优化框架中，其中空间坐标在输入神经网络前使用样条基函数进行变换。对不同经典样条基函数的性能进行全面评估，包括贝塞尔样条、B样条和NURBS样条。实验结果表明，基于二次B样条基函数的位置编码可获得最高的结构刚度。为进一步验证所提出方法的有效性，与傅里叶和超高斯位置编码方案进行对比分析。结果显示，样条基编码在大多数情况下均优于两种替代方案的结构柔度。此外，所得拓扑结构具有平滑边界，无振荡和冗余几何细节。
Keyword:
Neural networks
spline basis functions
spline positional encoding
topology optimization
期刊
J
IF:
2.8
论文数:
23
被引数:
0
机构
引用论文
.png){kind=icon}
A Comprehensive Review of Explicit Topology Optimization Based on Moving Morphable Components (MMC) Method基于移动形变组件 (MMC) 方法的显式拓扑优化综合评述
PREAI
分享收藏A complete Physics-Informed Neural Network-based framework for structural topology optimization一个完整的基于物理信息的神经网络结构拓扑优化框架
OAAI
OAAI分享收藏
查看更多内容