.png){kind=icon}
返回
Physics-Informed Gaussian Processes With Localized Features for Topology Optimization
.png){kind=icon}
PRE
AI
DOI：10.1115/1.4070989.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于物理信息高斯过程的同步无网格拓扑优化框架：我们提出了一种基于物理信息高斯过程（GPs）的同步无网格拓扑优化（TO）框架。在该方法中，我们通过具有共享多输出均值函数的GP先验对所有设计变量和状态变量进行参数化。该均值函数由一个定制的深度神经网络（DNN）表示，其参数通过最小化依赖于性能指标、设计约束和状态方程残差的多元损失函数进行估计。我们的TO方法能够产生明确的材料界面，并具有内置的连续性特性，有助于实现全局最优性。该方法的其他独特特点包括：（1）其定制的DNN具有局部学习能力，能够捕捉复杂拓扑结构并减少高梯度场中的残差；（2）其损失函数利用局部权重来提高界面附近的解精度；（3）采用课程训练来避免局部最优性。为展示该框架的优越性，我们将其与商业TO软件COMSOL进行了对比验证，测试问题涉及Stokes流中的耗散功率最小化。
Keyword:
Gaussian processes
topology optimization
attention mechanism
curriculum training
design optimization
machine learning
期刊
J
IF:
3
论文数:
263
被引数:
8.9K
机构
引用论文
.png){kind=icon}
Fronts propagating with curvature-dependent speed: Algorithms based on Hamilton-Jacobi formulations前沿以曲率相关的速度传播: 基于hamilton-jacobi公式的算法
OAAI
OAAI分享收藏Simultaneous and meshfree topology optimization with physics-informed Gaussian processes基于物理信息高斯过程的同步无网格拓扑优化
PREAI
分享收藏Robust topology optimisation of lattice structures with spatially correlated uncertainties具有空间相关不确定性的晶格结构的鲁棒拓扑优化
PREAI
分享收藏
查看更多内容