CN113343427A - 一种基于卷积神经网络的结构拓扑构型预测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的结构拓扑构型预测方法，属于结构优化领域，包括：构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构预设体积分数、载荷位置和载荷方向中任一项发生变化时，至少一个通道会发生相应的变化；建立网络模型，其中，多个编码模块用于提取多通道张量的多个不同尺度的特征图谱；SE‑ResNet模块用于获取特征图谱中各通道的注意力权重并融合至特征图谱；解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张到目标尺寸；利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型。本发明能够提高结构最优拓扑构型的预测精度。

Description

一种基于卷积神经网络的结构拓扑构型预测方法

技术领域

本发明属于结构优化领域，更具体地，涉及一种基于卷积神经网络的结构拓扑构型预测方法。

背景技术

结构设计是将抽象设想转化为具体设计表达出来的关键环节。用尽可能少的材料(生产成本)来设计出满足要求的结构，始终是设计人员所追求的目标。较为传统的方法是基于经验和直觉先给出多种初始设计，然后对每一种方案作计算比较，并根据分析结果来决定最终方案，这种方法有很明显的局限性：一方面，初始备选方案的质量严重依赖于设计人员水平，更多的是依靠设计人员的过往经验和工程直觉；另一方面，整个过程需要花费大量的时间、人力成本，并且最优方案可能并不存在于初始备选方案中。

鉴于传统经验式设计方法的种种不足，国内外学者开始尝试建立能够基于给定的设计目标及约束自动找出最优设计方案的方法。随着近些年计算机性能的提高以及数学领域优化理论的深入研究，结构拓扑优化方法迅速发展，拓扑优化方法基于给定的载荷和边界条件在设计域内寻找最优设计方案，其优化结果能够拥有任意形状、尺寸和拓扑形式，因此能有较大可能找到材料利用率最高的结构形式，此外，该方法无需给定初始设计方案，摆脱了对设计人员水平和经验的依赖。

目前已经研究出了许多的拓扑优化方法，可以将它们主要归为以下两类：基于材料分布的物理描述方法和基于结构边界的几何描述方法，前者包括基于密度的方法(如均匀化法和SIMP法)和进化结构优化法(ESO)等，后者包括水平集法(LSM)、可移动变形组件法(MMC)等。智能算法也被尝试应用于拓扑优化领域，这些算法大多基于仿生原理，具有搜索全局最优解的能力，不过相比于其他算法计算成本过于庞大，无法用来解决实际的工程问题。近年来，随着机器学习算法和硬件(CPU、GPU等)计算能力的发展，机器学习算法开始被用来解决拓扑优化问题。目前，基于机器学习的结构拓扑优化方法耗费大量时间、算力开发的网络模型，在预测结果上均受限于局部特征描述能力不足问题，生成结果易出现结构丢失、断裂不连续及边界形状、位置的改变等现象。以上拓扑优化方法，所共同面临的一个问题是：如何有效提高计算效率，尤其是针对大型、复杂结构优化问题。

针对现有的拓扑优化方法计算效率低的问题，申请公布号为CN111723420A的专利申请文件中，公开了一种基于深度学习的结构拓扑优化方法，其通过训练采用U-Net的深度学习模型，实现了以机器学习网络模型为核心进行结构的拓扑优化，仅用传统方法0.38％的时间即可得到相似的结果，显著提高了计算效率。但是，受模型深度的限制，该方法所得到的最优拓扑构型的预测结果精度并不是很高。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于卷积神经网络的结构拓扑构型预测方法，旨在解决现有的基于深度学习的结构拓扑优化方法预测精度不高的技术问题。

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结构最优拓扑构型预测模型建立方法，包括：

构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构的任意一项参数变量发生变化时，多通道张量中至少一个通道会发生相应的变化，参数变量包括结构预设体积分数、载荷位置和载荷方向；

建立包含依次连接的多个编码模块、1个或多个SE-ResNet模块以及多个解码模块的网络模型，用于根据输入的多通道张量预测对应结构的最优拓扑构型；多个编码模块用于提取得到输入的多通道张量的多个不同尺度的特征图谱；SE-ResNet模块用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱；各编码模块输出的特征图谱通过跳跃连接输入至对应的解码模块，解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张至目标尺寸，最后一个解码模块输出的图像为最优拓扑构型的预测结果；

利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型。

本发明所建立的结构最优拓扑构型预测模型，在传统的编码-解码解结构中加入了1个或多个SE-ResNet模块，由SE-ResNet模块对编码模块提取的特征图谱进一步获取通道注意力权重并融合至特征图谱中，再将融合了通道注意力信息的特征图谱输入至后续的解码模块中，由此能够有效增加模型的深度，提高了模型的注意力和自由度，提高了模型对于最优拓扑构型的预测精度。

进一步地，SE-ResNet模块包括SE模块和特征相加层；

SE模块，用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱，得到融合了通道注意力信息的特征图谱；

特征相加层，用于将输入SE-ResNet模块的特征图谱与SE模块输出的特征图谱进行相加，得到的特征图谱作为SE-ResNet模块输出的特征图谱。

进一步地，SE-ResNet模块还包括：在SE模块之前依次连接的一个或多个卷积层；

卷积层，用于对输入的特征图谱进行特征提取；

最后一个卷积层输出的特征图谱作为输入SE模块的特征图谱。

本发明在利用SE(Squeeze-and-Excitation)模块实现通道注意力信息融合之前，还利用一个或多个卷积层对特征图谱做进一步的特征提取，有利于更为准确地获取到特征图谱的通道注意力信息。

进一步地，SE模块包括：依次连接的全局池化层、FC+ReLu层、FC+Sigmoid层、Reshape层和通道注意力融合层；FC+ReLu层包括依次连接的全连接层(Fully connected，FC)和ReLu激活函数层；FC+Sigmoid层包括依次连接的全连接层和Sigmoid激活函数层；

全局池化层、FC+ReLu层、FC+Sigmoid层和Reshape层用于对输入的特征图谱依次进行相应的操作后，由Reshape层输出各通道的注意力权重；

通道注意力融合层，用于将各通道的注意力权重与输入的特征图谱中的各通道对应相乘，得到融合了通道注意力信息的特征图谱。

进一步地，训练样本中包含的多通道张量为3通道张量；3通道张量中，3个通道的信息分别如下：

所有单元值等于预设体积分数的二维张量；

初始结构von Mises应力场；

初始结构应变能密度场。

本发明在预设体积分数、载荷位置和载荷方向这些基本参数变量的基础上，构造了3通道张量作为模型的输入，该3通道张量中各通道信息分别是所有单元值等于预设体积分数的二维张量、初始结构von Mises应力场和初始结构应变能密度场，这些通道信息携带了参数变量与目标最优拓扑结构之间的关联信息，以此作为模型的输入信息，能够使模型在训练过程中学习到参数变量与目标结构之间的关联信息，进一步提高模型的预测精度。

在一些可选的实施例中，利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型，包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对网络模型进行训练，在训练结束后得到第一阶段模型；

将各训练样本中的多通道张量输入第一阶段模型，由第一阶段模型输出各训练样本对应的最优拓扑构型预测结果，并将训练样本对应的最优拓扑构型预测结果作为一个额外的通道，与训练样本的多通道张量组合为新的多通道张量；

以训练样本对应的新的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，重新对另一未经训练的网络模型进行训练，在训练结束后得到第二阶段模型；

将所述第一阶段模型与所述第二阶段模型串联，得到结构最优拓扑构型预测模型。

结构的最优拓扑构型预测所需建立的隐式函数关系比较复杂，相应地，预测任务难度较大，本发明在进行模型训练时采用两阶段训练方法，先训练第一阶段模型，该模型可以完成从输入的多通道张量到最优拓扑构型的初步拟合；然后利用训练好的第一阶段模型获得各训练样本对应的最优拓扑构型预测结果，作为一个通道，与训练样本中原始的多通道张量组合为新的多通道张量，并将组合得到的新的多通道张量作为第二阶段模型的输入，进行第二阶段模型的训练，由此能够降低第二阶段模型的学习难度，实现对新的多通道张量与最优拓扑构型之间的精确拟合；最终由两阶段模型串联为整体的最优拓扑构型预测模型，进一步增加了模型的深度，能够有效提高对结构最优拓扑构型的预测精度。

在一些可选的实施例中，利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型，包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对网络模型进行训练，在训练结束后得到结构最优拓扑构型预测模型。

进一步地，对于每一个训练样本，训练数据集中存在多个由该训练样本旋转得到的其他训练样本。

本发明通过将每一条训练样本旋转，得到新的训练样本，能够扩展训练数据集，进一步提高模型的训练效果。

按照本发明的另一个方面，提供了一种结构最优拓扑构型预测方法，包括：

将结构优化的参数变量预处理为多通道张量；参数变量包括预设体积分数、载荷位置和载荷方向在内的参数变量，任意一项参数变量发生变化时，多通道张量中至少一个通道会发生相应的变化；

将多通道张量输入至由本发明提供的基于卷积神经网络的结构最优拓扑构型预测模型建立方法所建立的结构最优拓扑构型预测模型，从而预测出结构的最优拓扑构型。

按照本发明的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，和/或本发明提供的基于卷积神经网络的结构最优拓扑构型预测方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明所建立的结构最优拓扑构型预测模型，在传统的编码-解码解结构中加入了1个或多个SE-ResNet模块，由SE-ResNet模块对编码模块提取的特征图谱进一步获取通道注意力权重并融合至特征图谱中，再将融合了通道注意力信息的特征图谱输入至后续的解码模块中，由此能够有效增加模型的深度，提高了模型的注意力和自由度，提高了模型对于最优拓扑构型的预测精度。

(2)本发明在预设体积分数、载荷位置和载荷方向这些基本参数变量的基础上，构造了3通道张量作为模型的输入，该3通道张量中各通道信息分别是所有单元值等于预设体积分数的二维张量、初始结构von Mises应力场和初始结构应变能密度场，这些通道信息携带了参数变量与目标拓扑优化结构之间的关联信息，以此作为模型的输入信息，能够使模型在训练过程中学习到参数变量与目标结构之间的关联信息，进一步提高模型的预测精度。

(3)本发明在进行模型训练时采用两阶段训练方法，先训练第一阶段模型，该模型可以完成从输入的多通道张量到最优拓扑构型的初步拟合；然后利用训练好的第一阶段模型获得各训练样本对应的最优拓扑构型预测结果，作为一个通道，与训练样本中原始的多通道张量组合为新的多通道张量，并将组合得到的新的多通道张量作为第二阶段模型的输入，进行第二阶段模型的训练，由此能够降低第二阶段模型的学习难度，实现对新的多通道张量与最优拓扑构型之间的精确拟合；最终由两阶段模型串联为整体的最优拓扑构型预测模型，进一步增加了模型的深度，能够有效提高对结构最优拓扑构型的预测精度。

附图说明

图1为本发明实施例1提供的结构最优拓扑构型预测模型建立方法流程图；

图2为本发明实施例1提供的最优拓扑构型预测模型示意图；

图3为本发明实施例1提供的SE-ResNet模块示意图；

图4为本发明实施例1提供的SE模块示意图；

图5为本发明实施例1提供的模型输入张量示意图；

图6为本发明实施例2提供的结构最优拓扑构型预测模型建立方法流程图；

图7为本发明实施例2提供的两阶段训练方法作用原理示意图；

图8为本发明实施例提供的模型预测结果示意图；其中，(a)为标签，(b)和(c)分别为实施例1建立的最优拓扑构型预测模型的预测结果和与标签差值绝对值示意图，(d)和(e)分别为实施例2建立的最优拓扑构型预测模型的预测结果和与标签差值绝对值示意图。

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。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了解决现有的结构拓扑优化方法在提高计算效率时，预测精度不高的技术问题，本发明提供了一种基于卷积神经网络的结构拓扑构型预测方法，其整体思路在于：在利用深度学习模型进行结构拓扑优化的基础上，对模型结构进行改进，增加模型的深度，从而提高模型的注意力和自由度，由此提高模型的预测精度；在此基础上，将结构原始的参数变量预处理为3通道的张量，3个通道的信息分别是所有单元值等于预设体积分数的二维张量、初始结构von Mises应力场和初始结构应变能密度场，由此能够进一步提高模型预测精度；进一步通过对模型进行两阶段训练，提高模型的预测精度。

本发明所提供的基于卷积神经网络的结构最优拓扑构型预测模型建立方法及最优拓扑构型预测方法，可适用于针对任意一种结构的拓扑构型设计，包括航空航天、汽车工业、装备工业、增材制造等领域中的结构设计；不失一般性地，如无特殊说明，以下实施例中，所提及的结构，均指机械结构设计领域中的结构。

以下为实施例。

实施例1：

一种基于卷积神经网络的结构最优拓扑构型预测模型建立方法，如图1所示，包括：

构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构的任意一项参数变量发生变化时，多通道张量中至少一个通道会发生相应的变化，参数变量包括结构预设体积分数、载荷位置和载荷方向；

建立包含依次连接的多个编码模块、1个或多个SE-ResNet模块以及多个解码模块的网络模型，用于根据输入的多通道张量预测对应结构的最优拓扑构型，模型结构如图2所示；多个编码模块用于提取得到输入的多通道张量的多个不同尺度的特征图谱；SE-ResNet模块用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱；各编码模块输出的特征图谱通过跳跃连接输入至对应的解码模块，解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张到目标尺寸，最后一个解码模块输出的图像为最优拓扑构型的预测结果；

利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型。

可选地，本实施实例中，网络模型中具体包含3个编码模块(即图2中的C1、C2和C3)、5个SE-ResNet模块(即图2中的RN1～RN5)和两个解码模块(即图2中的DC1和DC2)；

为了有效增加模型的深度，可选地，本实施例中，SE-ResNet模块如图3所示，包括SE模块和特征相加层；

SE模块，用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱，得到融合了通道注意力信息的特征图谱；

特征相加层，用于将输入SE-ResNet模块的特征图谱与SE模块输出的特征图谱进行相加，得到的特征图谱作为SE-ResNet模块输出的特征图谱；

在SE模块之前依次连接的一个或多个卷积层；

卷积层，用于对输入的特征图谱进行特征提取；

最后一个卷积层输出的特征图谱作为输入SE模块的特征图谱；

在利用SE模块实现通道注意力信息融合之前，还利用一个或多个卷积层对特征图谱做进一步的特征提取，有利于更为准确地获取到特征图谱的通道注意力信息；

可选地，本实施例中，SE模块的结构具体如图4所示，包括：依次连接的全局池化层、FC+ReLu层、FC+Sigmoid层、Reshape层和通道注意力融合层；FC+ReLu层包括依次连接的全连接层和ReLu激活函数层；FC+Sigmoid层包括依次连接的全连接层和Sigmoid层；

全局池化层、FC+ReLu层、FC+Sigmoid层和Reshape层用于对输入的特征图谱依次进行相应的操作后，由Reshape层输出各通道的注意力权重；

通道注意力融合层，用于将各通道的注意力权重与输入的特征图谱中的各通道对应相乘，得到融合了通道注意力信息的特征图谱。

可选地，如图2所示，本实施例中，每个编码模块包含依次连接的卷积层(Convolution layer)、批标准化层和池化层；每个解码模块包含依次连接的连接层、反卷积层(Deconvolution layer)、批标准化层；第一个编码块和解码块卷积层的卷积核大小为9×9，其他卷积核大小为3×3；为了使网络输出结果与二维结构对应，网络的最后一层输出为一个64×64大小的单通道张量，最后一次卷积操作进行通道压缩，以输出单通道张量。

作为一种可选的实施方式，本实施例中，为了构建训练数据集，会先通过传统的变密度SIMP法生成样本，所生成的样本包括结构的最优拓扑构型和参数变量，生成数据集的参数变量设置如表1所示。

表1生成训练数据规则表

通过组合不同结构体积分数和载荷边界条件，共生成4,224个样本。为获得更多的数据和多种不同边界条件的样本，进行数据扩展：对每个样本进行逆时针旋转90°、180°、270°的变换，使得数据总量扩大到16,896。

如何将初始设置的优化信息(设计域尺寸、载荷边界条件、位移边界条件)有效的传递给网络模型是实现最优拓扑构型预测的关键。通过对比不同输入张量所对应的模型在测试集上的表现，本实施例最终确定模型的最佳输入为一个3通道张量，该张量可以将初始参数变量以一种便于“转换”为标签的方式传递给网络模型。本实施例中，输入模型的3通道张量如图5所示，第一个输入通道(channel1)是所有单元值等于结构预设体积分数的二维张量，后两个通道(channel2和channel3)分别对应着初始结构内vonMises应力场和应变能密度场W；在实际应用中，可通过有限元分析、等几何分析等方法将原始的参数变量变换为输入模型的3通道张量；

应当说明的是，此处关于参数变量的选取，以及输入模型的多通道张量的设计，仅为本发明优选的实施方式，不应理解为对本发明的唯一限定，在本发明的其他实施例中，在保证模型的预测精度达到应用需求的情况下，也可以采用其他的参数变量组合，也可采用其他方式构建输入模型的多通道张量。

基于上述模型结构，3通道张量输入该模型后，会依次经过多个编码模块进行下采样操作，使得尺寸缩小、通道数增加，进行特征图谱；之后经过SE-ResNet模块获取通道注意力权重并融合至特征图谱中，并将融合了通道注意力信息的特征图谱输入至解码模块中；最后由多个解码模块对特征图谱进行上采样操作，使得尺寸增大、通道数减少，映射到目标向量向量尺寸。

考虑到输入输出的二维向量尺寸为64×64，而目标结构信息尺寸为63×63。因此对作为标签的结构二维矩阵进行补零操作(在右侧和下侧，对模型训练效果无影响)，将其调整为64×64。随后输入张量通过三个连续的编码块，其中每个编码块内包含卷积层、批标准化层和池化层。

利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型，包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对网络模型进行训练，在训练结束后得到结构最优拓扑构型预测模型；

在训练过程中，模型的训练框架为Tensorflow，模型训练过程使参数设置如表2所示。

表2模型训练超参数表

名称	具体参数
		初始学习率	0.0001
学习率衰减系数	0.95
		训练集：测试集	80％：20％
迭代次数	2000
		损失函数	均方误差
优化算法	Adam

实施例2：

一种基于卷积神经网络的结构最优拓扑构型预测模型建立方法，如图6所示，本实施例与上述实施例1类似，所不同之处在于，本实施例利用训练数据集对网络模型进行训练时，采用两阶段训练方式，具体训练过程包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对网络模型进行训练，在训练结束后得到第一阶段模型；

将各训练样本中的多通道张量输入第一阶段模型，由第一阶段模型输出各训练样本对应的最优拓扑构型预测结果，并将训练样本对应的最优拓扑构型预测结果作为一个额外的通道，与训练样本的多通道张量组合为新的多通道张量；

以训练样本对应的新的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，重新对另一未经训练的网络模型进行训练，在训练结束后得到第二阶段模型；

将所述第一阶段模型与所述第二阶段模型串联，得到结构最优拓扑构型预测模型。

本实施例基于以下思路：当某一任务目标难度较大(所需建立隐式关系比较复杂)，通过一个学习能力有限的模型难以直接拟合准确的映射关系，则可通过两个模型分工来实现，源模型主要实现对目标映射关系的大致拟合，通过将其输出结果(隐式包含了源模型中的参数)作为重用模型的输入，降低了学习难度，实现重用模型对目标关系的精确拟合。

本实施例中，以f表示训练样本中的3通道张量，y表示训练训练样本中的标签，则第一阶段训练中，模型完成从f到y的映射，以符号表示如下：

第一阶段模型的输出记为

第二阶段训练中，模型的输入为

模型最终完成从

到y的映射，以符号表示如下：

第二阶段模型的输出记为

如图7所示，由于

相比于f，更接近于y，本实施例在第二阶段训练中，将

作为模型输入的一部分，能够有效降低模型的学习难度，最终得到的

与y之间仅存在较小的偏差，由此可知，本实施例中，经两阶段训练得到的模型，其表征能力更强，预测精度得到了有效提升。

本实施例以神经网络模型为核心进行结构拓扑优化构型的预测，显著提高了计算效率，基于本实施例所建立的模型进行预测，与传统方法相比，计算时间对比见表3，根据表3所示结果可知，基于本实施例所建立的模型进行预测仅用传统方法0.37％的时间即可得到基本相同的结果。

表3单个样本所需计算时间统计表

方法	用时
		传统方法	19s
本实施例方法	0.07s

从测试集中随机选取4个训练样本，其中的最优拓扑构型标签分别如图8中的(a)所示；以所选取训练样本中的多通道张量为模型输入，利用实施例1所建立的结构最优拓扑构型预测模型预测的对应的最优拓扑构型，预测结果，以及预测结果与标签之间的差值绝对值如图8中的(b)和(c)所示；以所选取训练样本中的多通道张量为模型输入，利用实施例2所建立的结构最优拓扑构型预测模型预测的对应的最优拓扑构型，预测结果，以及预测结果与标签之间的差值绝对值如图8中的(d)和(e)所示。

根据图8所示的结果可知，本发明实施例1和实施例2所建立的结构最优拓扑构型预测模型，均具有较高的预测精度；且本发明实施例2由于采用了两阶段训练方式对模型进行训练，所建立的模型能够更好地预测拓扑构型中的细节信息，相比于实施例1所建立的模型，具有更高地预测精度。

实施例3：

提供了一种基于卷积神经网络的结构最优拓扑构型预测方法，包括：

将目标结构的参数变量预处理为多通道张量；参数变量包括预设体积分数、载荷位置和载荷方向在内的参数变量，任意一项参数变量发生变化时，多通道张量中至少一个通道会发生相应的变化；

将多通道张量输入至由上述实施例1或2提供的基于卷积神经网络的结构最优拓扑构型预测模型建立方法所建立的结构最优拓扑构型预测模型，从而预测出结构的最优拓扑构型；

将目标结构的参数变量预处理为多通道张量的具体实施方式，可参考上述实施例1中的描述。

实施例4：

一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1或2提供的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，和/或上述实施例3提供的基于卷积神经网络的结构最优拓扑构型预测方法。

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结构最优拓扑构型预测模型建立方法，其特征在于，包括：

构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构的任意一项参数变量发生变化时，所述多通道张量中至少一个通道会发生相应的变化，所述参数变量包括结构预设体积分数、载荷位置和载荷方向；

建立包含依次连接的多个编码模块、1个或多个SE-ResNet模块以及多个解码模块的网络模型，用于根据输入的多通道张量预测对应结构的最优拓扑构型；所述多个编码模块用于提取得到输入的多通道张量的多个不同尺度的特征图谱；所述SE-ResNet模块用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱；各编码模块输出的特征图谱通过跳跃连接输入至对应的解码模块，所述解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张到目标尺寸，最后一个解码模块输出的图像为最优拓扑构型的预测结果；

利用所述训练数据集对所述网络模型进行训练，在训练结束后，得到所述结构最优拓扑构型预测模型。

2.如权利要求1所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，所述SE-ResNet模块包括SE模块和特征相加层；

所述SE模块，用于获取输入的特征图谱中各通道的注意力权重，并融合至输入的特征图谱，得到融合了通道注意力信息的特征图谱；

所述特征相加层，用于将输入所述SE-ResNet模块的特征图谱与所述SE模块输出的特征图谱进行相加，得到的特征图谱作为所述SE-ResNet模块输出的特征图谱。

3.如权利要求2所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，所述SE-ResNet模块还包括：在所述SE模块之前依次连接的一个或多个卷积层；

所述卷积层，用于对输入的特征图谱进行特征提取；

最后一个卷积层输出的特征图谱作为输入所述SE模块的特征图谱。

4.如权利要求2所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，所述SE模块包括：依次连接的全局池化层、FC+ReLu层、FC+Sigmoid层、Reshape层和通道注意力融合层；所述FC+ReLu层包括依次连接的全连接层和ReLu激活函数层；所述FC+Sigmoid层包括依次连接的全连接层和Sigmoid激活函数层；

所述全局池化层、所述FC+ReLu层、所述FC+Sigmoid层和所述Reshape层用于对输入的特征图谱依次进行相应的操作后，由所述Reshape层输出各通道的注意力权重；

所述通道注意力融合层，用于将各通道的注意力权重与输入的特征图谱中的各通道对应相乘，得到融合了通道注意力信息的特征图谱。

5.如权利要求1-4任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，所述训练样本中包含的多通道张量为3通道张量；所述3通道张量中，3个通道的信息分别如下：

所有单元值等于预设体积分数的二维张量；

初始结构von Mises应力场；

初始结构应变能密度场。

6.如权利要求1-5任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，利用所述训练数据集对所述网络模型进行训练，在训练结束后，得到所述结构最优拓扑构型预测模型，包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对所述网络模型进行训练，在训练结束后得到第一阶段模型；

将各训练样本中的多通道张量输入所述第一阶段模型，由所述第一阶段模型输出各训练样本对应的最优拓扑构型预测结果，并将训练样本对应的最优拓扑构型预测结果作为一个额外的通道，与训练样本的多通道张量组合为新的多通道张量；

以训练样本对应的新的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，重新对另一未经训练所述网络模型进行训练，在训练结束后得到第二阶段模型；

将所述第一阶段模型与所述第二阶段模型串联，得到所述结构最优拓扑构型预测模型。

7.如权利要求1-5任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，利用所述训练数据集对所述网络模型进行训练，在训练结束后，得到所述结构最优拓扑构型预测模型，包括：

以训练样本中的多通道张量为模型的输入数据，以对应的最优拓扑构型为标签信息，对所述网络模型进行训练，在训练结束后得到所述结构最优拓扑构型预测模型。

8.如权利要求1-5任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，其特征在于，对于每一个训练样本，所述训练数据集中存在多个由该训练样本旋转得到的其他训练样本。

9.一种基于卷积神经网络的结构最优拓扑构型预测方法，其特征在于，包括：

将结构优化的参数变量预处理为多通道张量；所述参数变量包括预设体积分数、载荷位置和载荷方向在内的参数变量，任意一项参数变量发生变化时，所述多通道张量中至少一个通道会发生相应的变化；

将所述多通道张量输入至由权利要求1-8任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法所建立的结构最优拓扑构型预测模型，从而预测出结构的最优拓扑构型。

10.一种计算机可读存储介质，其特征在于，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行权利要求1-8任一项所述的基于卷积神经网络的结构最优拓扑构型预测模型建立方法，和/或权利要求9所述的基于卷积神经网络的结构最优拓扑构型预测方法。

Images