CN113191008A - 一种基于卷积神经网络的材料结构拓扑优化方法及系统 - Google Patents
一种基于卷积神经网络的材料结构拓扑优化方法及系统 Download PDFInfo
- Publication number
- CN113191008A CN113191008A CN202110511653.6A CN202110511653A CN113191008A CN 113191008 A CN113191008 A CN 113191008A CN 202110511653 A CN202110511653 A CN 202110511653A CN 113191008 A CN113191008 A CN 113191008A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- mobile
- net
- boundary conditions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于结构优化相关技术领域,其公开了一种基于卷积神经网络的材料结构拓扑优化方法及系统,优化方法包括:将U‑Net中的编码器网络调整为MobileNet网络,以获得Mobile‑U‑Net卷积神经网络;获取多种边界条件的多个样本数据信息,将样本数据信息分别输入Ordered SIMP获得对应的拓扑结构的单元密度值;将所述多种边界条件和单元密度值分别进行编码以与所述Mobile‑U‑Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;采用边界条件和单元密度值对Mobile‑U‑Net卷积神经网络进行训练获得训练完成的Mobile‑U‑Net卷积神经网络;将待优化材料结构的边界条件输入训练完成的Mobile‑U‑Net卷积神经网络获得拓扑优化结构。本申请通过设计一种用于结构优化的卷积神经网络,实现可以考虑多种因素并且快捷高效的结构拓扑优化。
Description
技术领域
本发明属于结构优化相关技术领域,更具体地,涉及一种基于卷积神经网络的材料结构拓扑优化方法及系统。
背景技术
随着技术的发展,工程应用中对材料的性能要求越来越高,需要材料具有较好的力学性能,由于多相材料具有较好的性能,因此得到了广泛应用,因此为了更好的研究材料组成结构需要将材料的相数考虑在内。
现有的基于有限元分析的传统多相材料结构拓扑优化设计方法都是需要进行大量的数值迭代计算才能获得设计域内材料的最佳布局方式,这种计算效率低下的问题也被称为“维数诅咒”,即随着结构拓扑优化设计问题的参数数量和迭代次数稍有增加时,完成一次拓扑优化设计所需要的时间成本和内存消耗将显著增加。因此,亟需设计一种可以消除传统拓扑优化设计方法中耗时的有限元数值迭代计算过程,同时可以考虑多种因素、快速获得优化结构的方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于卷积神经网络的材料结构拓扑优化方法及系统,通过设计一种用于结构优化的卷积神经网络,实现可以考虑多种因素并且快捷高效的结构拓扑优化。
为实现上述目的,按照本发明的一个方面,提供了一种基于卷积神经网络的材料结构拓扑优化方法,所述优化方法包括:S1:将U-Net中的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络;S2:获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值;S3:将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;S4:将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;S5:将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
优选地,所述多种边界条件包括载荷大小、载荷位置、质量分数和材料相数。
优选地,所述步骤S1具体包括:S11:删除所述MobileNet网络的最后一个Softmax分类层,并在最后串联6个步长为1的深度可分离卷积层;S12:将所述S11得到的网络模型替换掉U-Net原始的编码器网络获得所述Mobile-U-Net卷积神经网络。
优选地,所述步骤S1还包括设置与所述边界条件种类数量相同数量的输入通道以及一输出通道,每一输入通道用于输入一种边界条件,所述输出通道的尺寸与设计域尺寸大小相同。
优选地,所述步骤S3包括:将多个所述样本数据信息分别输入OrderedSIMP获得每一样本数据信息对应的拓扑结构的特征参数,在所述特征参数中选择单元密度值作为表征拓扑结构的标签信息。
优选地,所述步骤S3还包括对所述边界条件和单元密度值的命名进行统一,实现所述边界条件与相应特征参数的对应。
优选地,步骤S4还包括对所述边界条件和单元密度值组成的数据集进行扩充,将扩充后的数据集分成两部分,其中一部分用于对所述Mobile-U-Net卷积神经网络进行训练,另一部分用于对Mobile-U-Net卷积神经网络进行验证。
优选地,所述对所述数据集进行扩充具体为对所述数据集进行镜像翻转。
优选地,所述步骤S4中将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练具体为:将所述边界条件和单元密度值不断的输入所述Mobile-U-Net卷积神经网络,并自适应调整所述Mobile-U-Net卷积神经网络的学习率,直至利用L2损失函数计算的损失函数值小于预设值或收敛。
根据本发明另一方面,本申请还提供了一种基于卷积神经网络的材料结构拓扑优化系统,所述系统包括:调整模块,用于将U-Net中用于特征提取的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络;获取模块,用于获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值;编码模块,用于将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;训练模块:用于将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;输入模块:用于将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的一种基于卷积神经网络的材料结构拓扑优化方法及系统至少具有如下有益效果:
1.本发明设计了一种以MobileNet为提取特征的主干网络的Mobile-U-Net卷积神经网络模型,其中,MobileNet采用深度可分离卷积取代现有的普通卷积操作,极大地消减了网络参数量,减少了迭代更新次数,缩短了计算时间。
2.本发明自适应地调整实际学习率而避免了随机梯度下降法中学习率过大会错过局部最优点、产生震荡以及学习率过小会延误训练过程的弊端。
3.本发明由于采用L2损失函数,式中的平方项放大了真实标签和预测输出之间的距离,能够对偏离标签的输出结果给予很大的惩罚,从而加快网络的收敛过程,减少训练时间。
4.本发明由于使用镜像翻转策略,而使得采用基准方法生成的数据集只占用于训练神经网络数据集的一半,增加数据集多样性的同时消减了一半的数据收集时间。
5.本发明在网络完成训练之后可以无需任何有限元迭代步骤就能实时输出对应于初始结构设置信息的拓扑优化结构,快捷方便,边界条件可以根据实际需要进行设定。
6.本申请通过考虑初始位移、质量分数等因素的变化,所以可以实现对多相材料结构的拓扑优化,准确率有了极大的提升。
附图说明
图1示意性示出了根据本实施例的基于卷积神经网络的材料结构拓扑优化方法步骤图;
图2示意性示出了根据本实施例的基于卷积神经网络的材料结构拓扑优化方法的流程图;
图3示意性示出了根据本实施例的用于生成数据集的边界条件的示意图;
图4示意性示出了根据本实施例的边界条件编码策略,其中每个通道的形状大小为194×98;
图5A示意性示出了根据本实施例图3中第一个通道所包含的具体信息;
图5B示意性示出了根据本实施例图3中第二个通道所包含的具体信息;
图5C示意性示出了根据本实施例图3中第三个通道所包含的具体信息;
图5D示意性示出了根据本实施例图3中第四个通道所包含的具体信息;
图6示意性示出了根据本实施例所设计的标签信息编码策略,其中,每通道的形状大小为96×48;
图7示意性示出了根据本实施例所述构建的Mobile-U-Net卷积神经网络示意图;
图8示意性示出了根据本实施例图7中的Mobile-U-Net卷积神经网络的训练过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1及图2,本发明提供了一种基于卷积神经网络的材料结构拓扑优化方法,所述优化方法包括步骤S1~S3。
S1:将U-Net中用于特征提取的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络。
本实施例中,选定编-解码器型U-Net为主体网络架构,并将原始编码器网络替换为MobileNet以进行输入信息的特征提取和压缩,解码器网络用语将特征图进行上采样放大回原输入形状大小,具体包括以下步骤S11~S12。
S11:删除所述MobileNet网络的最后一个Softmax分类层,并在最后串联6个步长为1的深度可分离卷积层。
删除轻量级图像分类神经网络MobileNet最后一个Softmax分类层,而后在最后面串联额外的6个步长为1的深度可分离卷积,以进行特征提取。
S12:将所述S11得到的网络模型替换掉U-Net原始的编码器网络获得所述Mobile-U-Net卷积神经网络。
将步骤S11处理后的神经网络模型串联在U-Net卷积神经网络解码器的输入端,替换掉U-Net原始的编码器网络,得到以MobileNet为主干网络的Mobile-U-Net卷积神经网络,如图7所示。
所述步骤S1还包括设置与所述边界条件种类数量相同数量的输入通道以及一输出通道,每一输入通道用于输入一种边界条件,所述输出通道的尺寸与设计域尺寸大小相同。
S2:获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值。
采用Ordered SIMP获得多种边界条件下对应的拓扑结构的特征参数,并将所述边界条件与特征参数进行预处理以实现对应,组成训练用的数据集。
基于Ordered SIMP法设计生成海量数据集,该数据集包括边界条件和结构拓扑优化结果的特征参数,并使用基准程序代码收集数据集。其中,所述特征参数包括拓扑结构的柔度值、单元密度值、计算时间等信息,选择单元密度值作为表征拓扑结构的标签信息。
步骤S2中将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值具体为:将不同载荷方向和位置,不同质量分数,不同材料相数的数据值输入至所述Ordered SIMP获得对应的拓扑优化结构的特征参数,在特征参数中选择单元密度值作为表征拓扑结构的标签信息。本实施例中,如图3所示,边界条件包括待优化结构的载荷的位置和方向,边界条件还可以包括全局位移、质量分数和材料相数等。
首先选定设计域,本实施例中,待优化结构为多相材料悬臂梁,设计域大小为96×48,惩罚指数P等于3,过滤半径等于2.5。
本实施例中,设置悬臂梁施加载荷数量为单个载荷,且载荷大小为1N,设置初始载荷方向为竖直向下,并以每次增加20°大小的角度逆时针旋转载荷方向至160°,设置载荷施加位置为从悬臂梁右端中间节点到最底部节点,设置规定的结构优化后的质量分数为从0.3每次增加0.02的大小至0.7,设置材料相数为三相和四相,共计设置载荷方向为9种乘以载荷位置26种乘以质量分数21种乘以材料相数2种,总数9829对不同的边界条件。
使用以上9829对不同的边界条件循环运行Ordered SIMP程序代码,生成对应于每个边界条件的的柔度值、密度值、计算时间等信息,也即拓扑优化结构。并使用神经网络可识别的格式保存结构的边界条件和拓扑结构,例如使用mat格式。
S3:将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;
而后将所述边界条件与单元密度值进行预处理以实现对应,其中,此处的对应既包括尺寸的对应也包括输入与输出结果的对应。所述预处理包括对所述边界条件和单元密度值的形状尺寸进行修改;还包括对所述边界条件和单元密度值的命名进行统一,实现所述边界条件与相应单元密度值的对应。
本实施例中,通过制定适当的信息编码策略,如图4所示,将所用的边界条件和对应的输出结果进行编码实现尺寸的统一,作为训练Mobile-U-Net卷积神经网络的输入信息和标签信息,如图5A~图5D所示,具体为:将四种边界条件编码为四通道信息,每通道形状尺寸大小为194×98,其中第一个通道包含的信息为X、Y方向的载荷,第二个通道包含的信息为X、Y方向的初始位移,第三个通道包含的信息为优化后的结构质量分数值,第四个通道包含的信息为材料相数。将优化后的拓扑结构密度值编码为形状尺寸大小为96×48的单通道信息,如图6所示。
S4:将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;
将步骤S2生成的9829对数据集进行扩充,本实施例中优选为对该数据集沿X轴镜像翻转,数据集大小变为原来的两倍,共计19658对数据集。将这些数据集分成两部分,其中,一部分用于对所述Mobile-U-Net卷积神经网络进行训练,另一部分用于Mobile-U-Net卷积神经网络进行验证,例如可以采用9∶1的比例进行训练集和验证集的分配。
训练过程中将所述数据集不断的输入所述Mobile-U-Net卷积神经网络,并自适应调整所述Mobile-U-Net卷积神经网络的学习率,直至利用L2损失函数计算的损失函数值小于预设值或收敛,如图8所示,则Mobile-U-Net卷积神经网络的训练完成。
本实施例中,优选为采用Adam算法自适应地修改Mobile-U-Net的实际学习率。
其中,YTrue为训练Mobile-U-Net卷积神经网络的标签信息,YPred为由训练完成的Mobile-U-Net卷积神经网络输出的预测结果,N和M分别表示拓扑结构的长和宽尺寸,i和j分别为拓扑结构的第i行和第j列。
S5:将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
若需要对新的结构进行优化,则可以设置新的边界条件并将其输入至训练完成的Mobile-U-Net卷积神经网络即可得出对应的拓扑优化结构。
本发明另一方面提供了一种基于卷积神经网络的结构拓扑优化系统,所述系统包括:
调整模块,例如,可以执行图1中的步骤S1,用于将U-Net中用于特征提取的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络;
获取模块,例如,可以执行图1中的步骤S2,用于获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值;
编码模块,例如,可以执行图1中的步骤S3,用于将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;
训练模块,例如,可以执行图1中的步骤S4,用于将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;
输入模块,例如,可以执行图1中的步骤S5,用于将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
综上所述,本申请的基于卷积神经网络的结构拓扑优化方法及系统,通过设计一种用于结构优化的卷积神经网络,实现可以考虑多种因素并且快捷高效的结构拓扑优化。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的材料结构拓扑优化方法,其特征在于,所述优化方法包括:
S1:将U-Net中的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络;
S2:获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值;
S3:将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;
S4:将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;
S5:将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
2.根据权利要求1所述的优化方法,其特征在于,所述多种边界条件包括载荷大小、载荷位置、质量分数和材料相数。
3.根据权利要求1所述的优化方法,其特征在于,所述步骤S1具体包括:
S11:删除所述MobileNet网络的最后一个Softmax分类层,并在最后串联6个步长为1的深度可分离卷积层;
S12:将所述S11得到的网络模型替换掉U-Net原始的编码器网络获得所述Mobile-U-Net卷积神经网络。
4.根据权利要求3所述的优化方法,其特征在于,所述步骤S1还包括设置与所述边界条件种类数量相同数量的输入通道以及一输出通道,每一输入通道用于输入一种边界条件,所述输出通道的尺寸与设计域尺寸大小相同。
5.根据权利要求1所述的优化方法,其特征在于,所述步骤S3包括:
将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的特征参数,在所述特征参数中选择单元密度值作为表征拓扑结构的标签信息。
6.根据权利要求1所述的优化方法,其特征在于,所述步骤S3还包括对所述边界条件和单元密度值的命名进行统一,实现所述边界条件与相应特征参数的对应。
7.根据权利要求1所述的优化方法,其特征在于,步骤S4还包括对所述边界条件和单元密度值组成的数据集进行扩充,将扩充后的数据集分成两部分,其中一部分用于对所述Mobile-U-Net卷积神经网络进行训练,另一部分用于对Mobile-U-Net卷积神经网络进行验证。
8.根据权利要求7所述的优化方法,其特征在于,所述对所述数据集进行扩充具体为对所述数据集进行镜像翻转。
9.根据权利要求1所述的优化方法,其特征在于,所述步骤S4中将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练具体为:
将所述边界条件和单元密度值不断的输入所述Mobile-U-Net卷积神经网络,并自适应调整所述Mobile-U-Net卷积神经网络的学习率,直至利用L2损失函数计算的损失函数值小于预设值或收敛。
10.一种基于卷积神经网络的材料结构拓扑优化系统,其特征在于,所述系统包括:
调整模块,用于将U-Net中用于特征提取的编码器网络调整为MobileNet网络,以获得Mobile-U-Net卷积神经网络;
获取模块,用于获取多种边界条件不同取值下的多个样本数据信息,将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值;
编码模块,用于将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配;
训练模块,用于将所述多种边界条件作为输入信息将对应的单元密度值作为输出对所述Mobile-U-Net卷积神经网络进行训练获得训练完成的Mobile-U-Net卷积神经网络;
输入模块,用于将待优化结构的边界条件输入所述训练完成的Mobile-U-Net卷积神经网络获得拓扑优化结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511653.6A CN113191008B (zh) | 2021-05-11 | 2021-05-11 | 基于卷积神经网络的多相材料结构拓扑优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511653.6A CN113191008B (zh) | 2021-05-11 | 2021-05-11 | 基于卷积神经网络的多相材料结构拓扑优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191008A true CN113191008A (zh) | 2021-07-30 |
CN113191008B CN113191008B (zh) | 2022-10-28 |
Family
ID=76981092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110511653.6A Active CN113191008B (zh) | 2021-05-11 | 2021-05-11 | 基于卷积神经网络的多相材料结构拓扑优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191008B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190378008A1 (en) * | 2018-06-11 | 2019-12-12 | Inait Sa | Encoding and decoding information |
CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
-
2021
- 2021-05-11 CN CN202110511653.6A patent/CN113191008B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190378008A1 (en) * | 2018-06-11 | 2019-12-12 | Inait Sa | Encoding and decoding information |
CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191008B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
Guo et al. | Hierarchical neural architecture search for single image super-resolution | |
Lebaal et al. | Optimised lattice structure configuration for additive manufacturing | |
CN112085204A (zh) | 一种用于量子编译的线路变换方法 | |
CN112381208B (zh) | 一种基于神经网络架构搜索的图片分类方法与系统 | |
CN107273088B (zh) | 一种针对极化码的快速排序方法及装置 | |
CN111723914A (zh) | 一种基于卷积核预测的神经网络架构搜索方法 | |
CN112182938A (zh) | 基于迁移学习-多保真度建模的介观结构件力学性能预测方法 | |
CN111931801B (zh) | 一种基于路径多样性与一致性的动态路由网络学习方法 | |
Ahrari et al. | A customized bilevel optimization approach for solving large-scale truss design problems | |
CN113191008B (zh) | 基于卷积神经网络的多相材料结构拓扑优化方法及系统 | |
EP3158481A1 (en) | Method and system for determining a configuration of a model having a collection of entities and satisfying a set of constraints | |
CN113691993A (zh) | 基于图神经网络的5g连通簇基站群流量预测方法及系统 | |
CN112215270B (zh) | 一种模型的相似度对比方法、系统、设备以及介质 | |
Kaveh et al. | Wavefront reduction using graphs, neural networks and genetic algorithm | |
CN113343512B (zh) | 一种基于Mobile-U-Net的多尺度拓扑优化设计方法 | |
CN110782023A (zh) | 约简残差模块多孔卷积架构网络及快速语义分割方法 | |
CN115455899A (zh) | 一种基于图神经网络的解析布局方法 | |
Kaveh et al. | An efficient graph‐theoretical force method for three‐dimensional finite element analysis | |
CN113326582B (zh) | 一种基于应力分布的变密度点阵结构及其设计方法 | |
CN105550424B (zh) | 一种基于rbf网格变形插值序列的筛选方法 | |
CN104021437B (zh) | 一种基于有向图适应度评估的混合差分进化算法 | |
Snyder et al. | Worst‐case greedy matchings in the unit d‐cube | |
Sun et al. | CellNet: An Improved Neural Architecture Search Method for Coal and Gangue Classification | |
CN113204907A (zh) | 一种基于Mobile-U-Net的可变设计域三维结构拓扑优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |