.png){kind=icon}
返回
PyTOaCNN: Topology optimization using an adaptive convolutional neural network in Python
.png){kind=icon}
PRE
AI
DOI：10.1007/s00500-025-10919-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种自适应卷积神经网络（CNN）架构，能够自动化处理具有不同底层物理原理的各种拓扑优化（TO）问题。所提出的架构采用编码器-解码器型结构，并在瓶颈区域添加了密集层以捕捉几何特征。为进一步提升网络捕捉复杂几何形状的能力，在密集层中集成了一个具有用户定义神经元的自适应层。TensorFlow和Keras是用于开发与训练模型的主要库。该网络使用特定问题的开源TO代码生成的数据集进行训练。模型以用户输入的体积分数图像为输入，并在训练后即时生成优化设计。为验证所提出的自适应CNN模型的有效性与鲁棒性，进行了包括常载和设计相关载荷的 Compliance 最小化问题以及体积模量优化在内的多种数值实验。该模型为测试问题生成高质量结果，其目标值和体积分数误差与开源TO代码获得的结果相比可忽略不计。为促进可重复性和便于新领域人员的理解，本文还包含了相关的Python代码（附录A）并对其进行了说明。
Keyword:
Topology Optimization
Machine Learning
Python Code
Convolutional Neural Network
Design-Dependent Loads
Bulk Modulus Optimization
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
.png){kind=icon}
Deep Generative Design: Integration of Topology Optimization and Generative Models深度生成设计: 拓扑优化和生成模型的集成
OAAI
OAAI分享收藏分享收藏
查看更多内容