CN116680763B - 形状优化方法及计算机存储介质和终端设备 - Google Patents

形状优化方法及计算机存储介质和终端设备 Download PDF

Info

Publication number
CN116680763B
CN116680763B CN202310700966.5A CN202310700966A CN116680763B CN 116680763 B CN116680763 B CN 116680763B CN 202310700966 A CN202310700966 A CN 202310700966A CN 116680763 B CN116680763 B CN 116680763B
Authority
CN
China
Prior art keywords
shape
equation
net
boundary
optimized
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.)
Active
Application number
CN202310700966.5A
Other languages
English (en)
Other versions
CN116680763A (zh
Inventor
杨超
王曦立
尹鹏飞
张博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Institute Of Computing And Digital Economy Peking University
Peking University
Original Assignee
Changsha Institute Of Computing And Digital Economy Peking University
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Institute Of Computing And Digital Economy Peking University, Peking University filed Critical Changsha Institute Of Computing And Digital Economy Peking University
Priority to CN202310700966.5A priority Critical patent/CN116680763B/zh
Publication of CN116680763A publication Critical patent/CN116680763A/zh
Application granted granted Critical
Publication of CN116680763B publication Critical patent/CN116680763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及形状优化方法及计算机存储介质和终端设备，包括：根据偏微分方程约束的形状待优化问题，确定状态、伴随、正则方程；构建状态、伴随、正则方程神经网络代理模型；设定优化目标初始形状，将初始形状边界离散为若干形状表征点；在当前形状内部与边界分别采样若干配置点；优化状态损失函数，更新状态方程代理模型；优化伴随损失函数，更新伴随方程代理模型；优化正则损失函数，更新正则方程代理模型；计算形状表征点对应的形状优化方向，更新当前形状；判断是否结束形状更新。本发明利用神经网络求解方程的无网格特性，突破了传统网格依赖形状优化方法的瓶颈，可用于求解不同领域的形状待优化问题。

Description

形状优化方法及计算机存储介质和终端设备
技术领域
本发明涉及一种基于神经网络的偏微分方程约束形状优化方法，属于形状优化领域。
背景技术
偏微分方程约束的形状优化问题广泛存在于热力学、流体力学、结构力学等领域，在现代科学研究与工程应用中发挥着重要作用，其目标是优化系统中给定对象的几何形状，在满足系统约束条件下，使系统的某些性能指标达到最优。示例的：高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数；桥梁孔洞的形状待优化问题，优化的目标为极小化应变能；流体管道的形状待优化问题，优化的目标为极小化能量耗散。所以，如何求解偏微分方程约束的形状优化问题，以得到上述形状待优化问题的优化结果，是当前研究的难点技术问题。
示例的，典型的偏微分方程约束形状优化问题可表示如下：
其中，Ω为待优化形状，y为定义在Ω上的状态函数，J为问题的目标泛函，Y为状态函数所在函数空间，U为形状Ω的允许集合，F(y,Ω)＝0表示偏微分方程约束条件即状态方程。
随着当前算力的快速发展，在力学结构、流体通道优化与路面交通载具、飞行器设计等领域，涌现了一批形状优化方法。其中具有代表性的主要包含启发式方法、代理模型方法与伴随方法等。启发式方法通常基于遗传算法、粒子群算法、模拟退火算法等来实现目标形状的更新，相关方法实现往往比较简单直观，但优化中通常需要进行大量的计算模拟，且优化过程带有较大的不确定性。代理模型方法通过建立优化变量与性能指标的代理模型，如多项式响应面、克里金、神经网络等模型，避免了优化中的大量模拟，然而如何保证代理模型的插值与外推精度目前仍面临挑战。而伴随方法充分利用目标泛函梯度信息，优化方向明确，同时通过引入伴随方程，在高维优化问题中与直接方法相比，显著降低了计算量，伴随类方法目前已在若干形状优化软件中获得应用。然而目前的伴随类方法通常是网格依赖的，这就导致在优化形变中存在网格质量难以保障、网格校正相对耗时、网格刚性导致形变受限等问题，造成优化的性能指标不理想。
如何在保障精度的前提下，高效地优化目标形状，同时令优化中形变更加灵活，进而获得理想的性能指标，是当前形状优化领域中面临的重要挑战。
发明内容
为解决上述问题，本发明提出一种基于神经网络的偏微分方程约束的形状优化方法，包括：
S1:根据偏微分方程约束的形状待优化问题，确定状态方程、伴随方程和正则方程；
S2:分别构建以空间点坐标x为输入，以状态方程代理解y(x；θy)、伴随方程代理解p(x；θp)、正则方程代理解φ(x；θφ)为输出的状态方程神经网络代理模型Nety、伴随方程神经网络代理模型Netp、正则方程神经网络代理模型Netφ，其中，θy、θp、θφ分别为Nety、Netp、Netφ的参数，并对模型参数进行初始化；
S3:设定优化目标的初始形状Ω0，并将初始形状边界离散为若干形状表征点；
S4:在当前形状内部与边界分别采样若干配置点；
S5:将配置点坐标xc输入状态方程神经网络代理模型Nety，以前一轮更新后的Nety参数作为本轮Nety更新初始参数，优化状态损失函数，得到更新后的Nety参数确定当前状态方程代理解/>
S6:将配置点坐标xc输入伴随方程神经网络代理模型Netp，以前一轮更新后的Netp参数作为本轮Netp更新初始参数，结合当前状态方程代理解优化伴随损失函数，得到更新后的Netp参数/>确定当前伴随方程代理解/>
S7:将配置点坐标xc输入正则方程神经网络代理模型Netφ，以前一轮更新后的Netφ参数作为本轮Netφ更新初始参数，结合当前状态方程代理解与伴随方程代理解/>优化正则损失函数，得到更新后的Netφ参数/>
S8:计算形状表征点坐标xs对应的正则方程代理解，该代理解即为形状优化方向根据形状优化方向/>更新当前形状；
S9:判断是否结束形状迭代更新；若否，返回S4；若是，则以当前形状作为形状待优化问题的形状优化结果。
进一步地，S5中的状态损失函数为：
其中，分别为当前形状区域内部与边界第i个配置点，/>与/>分别为状态方程关于当前区域内部与边界的约束残差，N、M分别为当前区域内部与边界配置点数量，λs为状态损失函数边界权重系数；Nety更新后的参数为：
进一步地，S6中的伴随损失函数为：
其中，与/>分别为伴随方程关于当前区域内部与边界的约束残差，λa为伴随损失函数的边界权重系数；Netp更新后的参数为：
进一步地，S7中的正则损失函数为：
其中，与/>分别为正则方程(φ,V)＝-dΩJ(y,Ω；V)关于当前区域内部与边界的约束残差，dΩJ(y,Ω；V)为V方向的形状导数，λr为正则损失函数的边界权重系数；Netφ更新后的参数为：
进一步地，S8中采用式(7)更新形状边界
其中，αk为更新步长，k为形状更新迭代轮次，边界由形状表征点表征。
进一步地，S9中判断是否结束形状迭代更新的依据为：是否达到设定的形状更新迭代循环次数或形状更新前后目标泛函值改变量是否低于设定阈值。
进一步地，用于求解基于偏微分方程约束的高铁车头、汽车车身、飞机机翼、桥梁孔洞、流体管道的形状待优化问题；
高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数泛函：其中，σ为应力，n为计算区域Ω边界Γ上单位外法向向量，ρ为来流密度，v为来流速度，A为参考面积，e为来流方向的单位向量；
桥梁孔洞的形状待优化问题，优化的目标为极小化应变能泛函：其中，λ,μ为拉梅系数，e表示应变，Ω为待优化区域；
流体管道的形状待优化问题，优化的目标为极小化能量耗散泛函：其中，u为速度场，ξ为雷诺数的倒数，Γ为待优化边界，Ω为整体计算区域；
根据形状待优化问题的目标泛函和约束条件，根据步骤S1，确定状态方程、伴随方程和正则方程；
根据步骤S2-S9，确定形状待优化问题的形状优化结果。
另一方面，本发明还提供一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的形状优化方法。
另一方面，本发明还提供一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于上述任意的形状优化方法。
相对现有技术，本发明有益效果如下：
(1)本发明在形状优化中结合了经典直接伴随循环框架与基于神经网络的偏微分方程求解方法，提出了一种基于神经网络的形状优化方法，突破了当前形状优化方法中存在的网格质量难以保障、网格校正相对耗时的瓶颈，提升了优化精度，避免了额外校正操作。
(2)本发明采用边界离散点来表征形状，在优化形变中不受网格依赖方法中网格刚性的制约，形变更加灵活，有益于实现更优的系统性能指标。
(3)本发明对优化目标初始形状与初始位置具有鲁棒性，更有益于应用于缺乏先验知识的形状优化问题之中。
附图说明
图1为本发明形状优化方法的流程图。
图2为本发明实施例一中的形状优化过程与结果。
图3为本发明实施例二中的初始形状。
图4为本发明实施例二中的形状优化结果。
具体实施方式
下面将结合附图和具体实施方式对本发明作进一步的说明。本发明中涉及的“S1、S2…”等，仅用于描述目的，不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征数量等，本领域技术人员可以理解的凡是在发明技术构思下，不违背其发明要点的，都应该列入本发明的保护范围。
本发明具体实施方式包含如下内容：
如图1所示，本发明提出一种形状优化方法，包括：
S1:根据偏微分方程约束的形状待优化问题，确定状态方程、伴随方程和正则方程；
具体的，根据偏微分方程约束的形状待优化问题，根据其目标泛函和约束条件确定状态方程，再根据伴随方法，获得相应问题的伴随方程，之后根据任意现有正则化方法获得正则方程用于光滑形状优化方向；更为具体的，对于偏微分方程约束形状待优化问题中涉及的伴随方程、状态方程、正则方程可由本领域技术人员采用任意方式确定，正则方程(φ,V)＝-dΩJ(y,Ω；V)中涉及的内积形式可依据具体问题灵活选择。示例的，可参见下方具体实施例，但该实施例仅为示例说明，并不以此为限。更为具体的，根据该形状待优化问题的具体应用领域，确定目标泛函、状态方程和待优化形状。示例的：高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数泛函；桥梁孔洞的形状待优化问题，优化的目标为极小化应变能泛函；流体管道的形状待优化问题，优化的目标为极小化能量耗散泛函，通过上述目标泛函，以及根据实际具体形状待优化问题的约束条件，进而确定状态方程、伴随方程和正则方程。值得注意的，本发明的形状优化方法，以求解上述形状待优化问题为例，但并不以此为限，可应用于任何偏微分方程约束的形状待优化问题中，求解形状优化结果。
S2:分别构建以空间点坐标x为输入，以状态方程代理解(surrogate solution)y(x；θy)、伴随方程代理解p(x；θp)、正则方程代理解φ(x；θφ)为输出的状态方程神经网络代理模型Nety、伴随方程神经网络代理模型Netp、正则方程神经网络代理模型Netφ，其中，θy、θp、θφ分别为Nety、Netp、Netφ的参数，并对模型参数进行初始化；
具体地，涉及的神经网络代理模型结构不限，可采用经典的全连接神经网络、ResNet、DenseNet等；更为具体的，模型输入与输出维度依赖具体问题设置，示例的：设形状区域Ω的维数为Di，方程代理解维度为Do，则可基于神经网络的任意结构，构建输入节点数为Di、输出节点数为Do的神经网络模型；更为具体的，模型参数初始化方式不限，示例的，可选用随机初始化、Xavier初始化、Kaiming初始化等初始化方式中的任意一种。
S3:设定优化目标的初始形状Ω0，并将初始形状边界离散为若干形状表征点；
具体地，初始形状可依据但不限于领域先验知识或问题求解经验来设定，边界形状表征点可采用边界随机离散或均匀离散等方式获得，其可在每次形状更新后在形状边界上进行重采样，或继续使用更新后的形状表征点。
S4:在当前形状内部与边界分别采样若干配置点，并可选择形状表征点作为边界配置点；
具体地，配置点的采样可选择但不限于均匀采样、随机采样或自适应采样等方式，配置点采样数量依据具体问题属性、神经网络模型规模、算力配置等情况选取。
S5:将配置点坐标xc输入状态方程神经网络代理模型Nety，以前一轮更新后(示例的，若首轮更新则以Nety初始化后；若第二轮或后续轮次更新则以前一轮更新后)的Nety参数作为本轮Nety更新初始参数，优化状态损失函数(式(1))，得到更新后的Nety参数进而确定当前状态方程代理解/>
具体地，优化损失函数时，优化算法不限，可采用SGD、Adam、L-BFGS等经典优化算法，损失函数中涉及的微分项可由神经网络输出对输入自动微分获得，本段内容同理适用于S6与S7。
S6:将配置点坐标xc输入伴随方程神经网络代理模型Netp，以前一轮更新后(同样的，若首轮更新则以Netp初始化后；若第二轮或后续轮次更新则以前一轮更新后)的Netp参数作为本轮Netp更新初始参数，结合当前状态方程代理解优化伴随损失函数(式(3))，得到更新后的Netp参数/>进而确定当前伴随方程代理解/>
具体地，优化伴随损失函数过程中，涉及的状态方程代理解中参数保持固定。
S7:将配置点坐标xc输入正则方程神经网络代理模型Netφ，以前一轮更新后(同样的，若首轮更新则以Netφ初始化后；若第二轮或后续轮次更新则以前一轮更新后)的Netφ参数作为本轮Netφ更新初始参数，结合当前状态方程代理解与伴随方程代理解优化正则损失函数(式(5))，得到更新后的Netφ参数/>
具体地，优化正则损失函数过程中，涉及的状态方程代理解中参数及伴随方程代理解中参数/>保持固定。
S8:计算形状表征点坐标xs对应的正则方程代理解，即形状优化方向并基于该方向按式(7)更新当前形状；
具体地，式(7)中的更新步长αk可按一定衰减率随形状更新迭代循环轮次衰减，其有益于形状优化收敛。
S9:依据是否达到设定的形状更新迭代循环次数或依据形状更新前后目标泛函值改变量是否低于设定阈值来判断是否结束形状迭代更新；若否，返回S4；若是，则以当前形状作为形状优化结果。
在上述实施方式中，给出了本发明形状优化方法，其融合了经典形状优化方法和基于神经网络的偏微分方程求解方法的优势。一方面，经典直接伴随循环形状优化方法利用形状导数为整个形状优化过程提供了明确的形状优化方向和高效的优化框架；另一方面，通过引入基于神经网络的无网格偏微分方程求解方法及采用基于边界离散点的形状表征方式，使得本发明形状优化方法突破了当前形状优化方法中普遍存在的网格质量难以保障、网格校正相对耗时的瓶颈，提升了优化精度，避免了额外校正操作。结合上述两方面优势，本发明形状优化方法，相比现有方法，在保证高效的形状优化过程的同时，在形变中更加灵活，有益于实现更优的系统性能指标。本发明方法对优化目标初始形状与初始位置具有较强鲁棒性，更有益于应用于缺乏先验知识的形状优化问题之中。同时本发明方法可以作为新的一类形状优化方法集成到现有的数值模拟软件，发挥其更大的作用。值得注意的是，本发明形状优化方法，可选但不仅限于用于高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数泛函；桥梁孔洞的形状待优化问题，优化的目标为极小化应变能泛函；流体管道的形状待优化问题，优化的目标为极小化能量耗散泛函，通过上述目标泛函，以及根据实际具体形状待优化问题的约束条件，进而确定状态方程、伴随方程和正则方程。值得注意的，本发明的形状优化方法，以求解上述形状待优化问题为例，但并不以此为限，可应用于任何偏微分方程约束的形状待优化问题中，求解形状优化结果。
下面通过具体实施例对本发明做进一步说明，但不应以此限制本发明的保护范围。
实施例一：
对于步骤S1，根据实际面对的形状待优化问题，如上述高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数泛函；桥梁孔洞的形状待优化问题，优化的目标为极小化应变能泛函；流体管道的形状待优化问题，优化的目标为极小化能量耗散泛函，通过上述目标泛函，以及根据实际具体形状待优化问题的约束条件，确定状态方程，示例的，以一个Poisson方程约束的形状优化模型问题为例，该形状待优化问题的目标泛函与状态方程可表示如下：
其中J为目标泛函，Ω为待优化形状，状态方程右端项f可选但不仅限于示例为：该f(x1，x2)仅为示例说明，并不以此为限。
基于伴随方法获得问题相应伴随方程如下：
关于目标泛函的形状导数为n为形状Ω的单位外法向向量，问题相应正则方程如下：
之后对于步骤S2，分别构建状态方程神经网络代理模型Nety、伴随方程神经网络代理模型Netp、正则方程神经网络代理模型Netφ。三个代理模型，可选但不仅限于ResNet结构，并对模型参数进行初始化。
对于步骤S3，为验证本发明方法的鲁棒性，在本例中分别选择圆形、椭圆、矩形三种目标初始形状，如图2所示，并将初始形状边界离散为500个形状表征点。
对于步骤S4，在形状区域内设置1000个配置点，而以500个形状表征点同时作为边界配置点。
对于步骤S5-S7，然后依次分别训练Nety、Netp、Netφ三个神经网络代理模型。具体将配置点坐标xc输入状态方程神经网络代理模型Nety，优化状态损失函数(式(1))，得到更新后的Nety参数进而获得状态方程代理解/>再将配置点坐标xc输入伴随方程神经网络代理模型Netp，结合当前状态方程代理解/>优化伴随损失函数(式(3))，得到更新后的Netp参数/>进而获得伴随方程代理解/>之后将配置点坐标xc输入正则方程神经网络代理模型Netφ，结合当前状态方程代理解/>与伴随方程代理解优化正则损失函数(式(5))，得到更新后的Netφ参数/>
对于步骤S8，然后计算500个形状表征点坐标xs对应的正则方程代理解，即形状优化方向并基于该方向按式(7)更新当前形状。以上完成了一次形状更新。
对于步骤S9，判断是否结束形状迭代更新，若否则返回步骤S4，在更新后的形状上采样配置点，继续进行循环迭代。若是，则以当前形状作为形状待优化问题的形状优化结果。示例的，本例中可选但不仅限于设定形状更新迭代循环次数为50次，最终得到形状优化结果。
在该实施例中，为了验证本发明形状优化方法较经典网格依赖形状优化方法的优势，以常用形状优化工具Fireshape作为对比，二者优化过程及结果展示在图2中。在图2(a)中可发现在圆形初始形状下，两种方法均能收敛到最优参考形状。而在图2(b)中椭圆初始形状下，在Fireshape优化过程中，形状区域右侧部分网格逐渐被加密，最后形成了凸起。而本发明方法不受网格刚性的约束，可实现更灵活的形变，优化结果也更接近最优形状。在图2(c)中矩形初始形状下，Fireshape出现发散，而本发明方法仍能收敛到近似最优的形状。本实施例，阐明了本发明方法的基本流程，同时验证了本发明方法的优越性。值得注意的是，该实施例的一种状态方程、伴随方程和正则方程，仅为示例说明，针对不同形状待优化问题，只需要按照上述步骤确定对应的状态方程、伴随方程和正则方程即可，再采用本发明的形状待优化方法，得到形状优化结果。
实施例二：
以一个Stokes方程约束的管道流场中障碍物形状优化问题为例，如图3所示，设置了两种初始形状，对于步骤S1，该问题的目标泛函与状态方程可表示如下：
其中J为目标泛函，u为速度场，p为压力场，ξ为雷诺数的倒数，Γf为待优化形状，同时保持计算区域整体面积V0不变。由于本例中问题的自伴随特性，可以省略求解伴随方程步骤。本例目标泛函的形状导数为问题相应正则方程如下：
对于步骤S2，可选但不仅限于采用ResNet神经网络分别构建状态方程神经网络代理模型Nety用于预测速度场u与压力场p，正则方程神经网络代理模型Netφ用于预测下降方向φ。
对于步骤S3，关于两种初始形状均在边界Γf上选取1200个形状表征点。
对于步骤S4，在区域整体边界取4400个(对应第一种初始形状(图3(a)))，5000个(对应第二种初始形状(图3(b)))边界配置点，其中包含边界Γf上的1200个形状表征点，同时取12000个区域内部配置点。
对于步骤S5-S7，由于本例中问题的自伴随特性，可以省略步骤S6，具体将配置点坐标xc输入状态方程神经网络代理模型Nety，优化状态损失函数，得到更新后的Nety参数进而获得状态方程代理解/>之后将配置点坐标xc输入正则方程神经网络代理模型Netφ，结合当前状态方程代理解/>优化正则损失函数，得到更新后的Netφ参数
对于步骤S8，计算1200个形状表征点坐标xs对应的正则方程代理解，即形状优化方向并基于该方向按式(7)更新当前形状。
对于步骤S9，判断是否结束形状迭代更新，若否则返回步骤S4，在更新后的形状上采样配置点，继续进行循环迭代。若是，则以当前形状作为形状待优化问题的形状优化结果。示例的，本例中可选但不仅限于设定形状更新迭代循环次数为30次(针对第一种初始形状)与100次(针对第二种初始形状)，最终得到形状优化结果。
在该实施例中，为了验证本发明形状优化方案的优势，以常用形状优化工具Fireshape作为对比，二者优化结果展示在图4中。在第一种初始情况下，如图4(a)所示，本发明方法优化后的障碍物更加扁平。而在第二种初始情况下，如图4(b)所示，本发明方法优化后的障碍物位置相对靠近边界，使得流动更加平滑，从而减少了能量耗散。而在Fireshape中，需要确保障碍物周围网格的质量(例如增加正则化项)，这就限制了障碍物自身的形变。相比之下，本发明方法的形状变形更灵活，进而获得了更低的目标泛函值。
另一方面，本发明还提供一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的形状优化方法。
另一方面，本发明还提供一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行上述任意的形状优化方法。
示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述程序代码在终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)或图形处理单元(Graphics Processing Unit，GPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是终端设备的内部存储单元，例如硬盘或内存。所述存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述程序代码以及终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
上述计算机存储介质和终端设备基于本发明形状优化方法而创造，其技术作用和有益效果在此不再赘述，以上所述实施方式的各技术特征可以进行合理组合，为使描述简洁，未对上述实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的一般技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于神经网络的偏微分方程约束的形状优化方法，其特征在于，用于求解基于偏微分方程约束的高铁车头、汽车车身、飞机机翼、桥梁孔洞、流体管道的形状待优化问题；
高铁车头、汽车车身、飞机机翼的形状待优化问题，优化的目标为极小化风阻系数泛函：，其中，/>为应力，/>为计算区域/>边界/>上单位外法向向量，/>为来流密度，v为来流速度，A为参考面积，/>为来流方向的单位向量；
桥梁孔洞的形状待优化问题，优化的目标为极小化应变能泛函：其中，/>为拉梅系数，/>表示应变，/>为待优化区域；
流体管道的形状待优化问题，优化的目标为极小化能量耗散泛函：，其中，u为速度场，/>为雷诺数的倒数，/>为待优化边界，为待优化区域；
S1:根据形状待优化问题的目标泛函和约束条件，确定状态方程、伴随方程和正则方程；
根据步骤S2-S9，确定形状待优化问题的形状优化结果，包括：
S2:分别构建以空间点坐标x为输入，以状态方程代理解、伴随方程代理解、正则方程代理解/>为输出的状态方程神经网络代理模型Net y 、伴随方程神经网络代理模型Net p 、正则方程神经网络代理模型Net ϕ ，其中，/>、/>、/>分别为Net y 、Net p 、Net ϕ 的参数，并对模型参数进行初始化；
S3:设定优化目标的初始形状，并将初始形状边界/>离散为若干形状表征点；
S4:在当前形状内部与边界分别采样若干配置点； S5:将配置点坐标x c 输入状态方程神经网络代理模型Net y ，以前一轮更新后的Net y 参数作为本轮Net y 更新初始参数，优化状态损失函数，得到更新后的Net y 参数，确定当前状态方程代理解/>；
S6:将配置点坐标x c 输入伴随方程神经网络代理模型Net p ，以前一轮更新后的Net p 参数作为本轮Net p 更新初始参数，结合当前状态方程代理解，优化伴随损失函数，得到更新后的Net p 参数/>，确定当前伴随方程代理解/>；
S7:将配置点坐标x c 输入正则方程神经网络代理模型Net ϕ ，以前一轮更新后的Net ϕ 参数作为本轮Net ϕ 更新初始参数，结合当前状态方程代理解与伴随方程代理解，优化正则损失函数，得到更新后的Net ϕ 参数/>；
S8:计算形状表征点坐标x s 对应的正则方程代理解，该代理解即为形状优化方向；根据形状优化方向/>更新当前形状；
S9:判断是否结束形状迭代更新；若否，返回S4；若是，则以当前形状作为形状待优化问题的形状优化结果。
2.根据权利要求1所述的形状优化方法，其特征在于，S5中的状态损失函数为：
（1）
其中，、/>、分别为当前形状区域内部与边界第i个配置点，/>与/>分别为状态方程关于当前区域内部与边界的约束残差，N、M分别为当前区域内部与边界配置点数量，为状态损失函数边界权重系数；Net y 更新后的参数为：
（2）。
3.根据权利要求2所述的形状优化方法，其特征在于，S6中的伴随损失函数为：
（3）
其中，、/>分别为伴随方程关于当前区域内部与边界的约束残差，/>为伴随损失函数的边界权重系数；Net p 更新后的参数为：
（4）。
4.根据权利要求3所述的形状优化方法，其特征在于，S7中的正则损失函数为：
（5）
其中，、/>分别为正则方程/>关于当前区域内部与边界的约束残差，/>为V方向的形状导数，/>为正则损失函数的边界权重系数；Net ϕ 更新后的参数为：
（6）。
5.根据权利要求1所述的形状优化方法，其特征在于，S8中采用式（7）更新形状边界；
（7）
其中，为更新步长，k为形状更新迭代轮次，边界/>由形状表征点表征。
6.根据权利要求1所述的形状优化方法，其特征在于，S9中判断是否结束形状迭代更新的依据为：是否达到设定的形状更新迭代循环次数或形状更新前后目标泛函值改变量是否低于设定阈值。
7.一种计算机存储介质，其特征在于，存储有可执行程序代码；所述可执行程序代码，用于执行权利要求1-6任意一项所述的形状优化方法。
8.一种终端设备，其特征在于，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行权利要求1-6任意一项所述的形状优化方法。
CN202310700966.5A 2023-06-13 2023-06-13 形状优化方法及计算机存储介质和终端设备 Active CN116680763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310700966.5A CN116680763B (zh) 2023-06-13 2023-06-13 形状优化方法及计算机存储介质和终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310700966.5A CN116680763B (zh) 2023-06-13 2023-06-13 形状优化方法及计算机存储介质和终端设备

Publications (2)

Publication Number Publication Date
CN116680763A CN116680763A (zh) 2023-09-01
CN116680763B true CN116680763B (zh) 2024-05-17

Family

ID=87778897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310700966.5A Active CN116680763B (zh) 2023-06-13 2023-06-13 形状优化方法及计算机存储介质和终端设备

Country Status (1)

Country Link
CN (1) CN116680763B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054106A (zh) * 2010-12-31 2011-05-11 吴晓军 一种结构优化设计方法及结构优化设计系统
CN114595655A (zh) * 2022-03-07 2022-06-07 西安交通大学 一种可调制狭窄空间冷却气流形态的屏蔽罩形状设计方法
CN115210531A (zh) * 2021-02-10 2022-10-18 株式会社日立高新技术 轮廓线解析装置、处理条件决定系统、形状估计系统、半导体装置制造系统、搜索装置以及在这些中使用的数据结构

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230062600A1 (en) * 2021-08-30 2023-03-02 Accenture Global Solutions Limited Adaptive design and optimization using physics-informed neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054106A (zh) * 2010-12-31 2011-05-11 吴晓军 一种结构优化设计方法及结构优化设计系统
CN115210531A (zh) * 2021-02-10 2022-10-18 株式会社日立高新技术 轮廓线解析装置、处理条件决定系统、形状估计系统、半导体装置制造系统、搜索装置以及在这些中使用的数据结构
CN114595655A (zh) * 2022-03-07 2022-06-07 西安交通大学 一种可调制狭窄空间冷却气流形态的屏蔽罩形状设计方法

Also Published As

Publication number Publication date
CN116680763A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
US10489533B2 (en) Techniques for warm starting finite element analyses with deep neural networks
KR20220143630A (ko) 양자 게이트를 최적화하기 위한 방법 및 장치, 디바이스, 및 저장 매체
Vincent et al. Facilitating the adoption of unstructured high-order methods amongst a wider community of fluid dynamicists
CN113505443B (zh) 一种任意外形的三维绕流问题自适应笛卡尔网格生成方法
CN108563843B (zh) 定常可压缩流动的扰动区域更新方法
CN114444215B (zh) 一种基于笛卡尔网格的运动仿真方法、装置及设备
JP2014174990A (ja) 流体領域に対して移動メッシュを用いる空間−時間ｃｅ／ｓｅソルバーを利用したｆｓｉの数値的シミュレーション
CN111859530A (zh) 一种飞行器动态气动特性模拟的迭代推进扰动域更新方法
CN113850008B (zh) 飞行器气动特性预测的自适应网格扰动域更新加速方法
US20190179977A1 (en) Methods And Systems For Authoring Simulation Scenarios
CN116245049B (zh) 节点式非结构网格的边界修正方法、装置、设备及介质
CN111859529B (zh) 一种飞行器绕流数值模拟的多重网格扰动域更新加速方法
CN112231632B (zh) 一种运载火箭风估计方法、装置、设备及存储介质
CN113419424B (zh) 减少过估计的模型化强化学习机器人控制方法及系统
CN115576278B (zh) 基于时态均衡分析的多智能体多任务分层连续控制方法
CN115618498B (zh) 一种飞行器跨流域流场的预测方法、装置、设备及介质
CN111859825B (zh) 包含任意流固界面非定常不可压流动数值模拟方法及设备
CN113534679B (zh) 系统监测模型生成方法、处理器芯片以及工业系统
CN114611437A (zh) 基于cfd技术的飞行器气动模型数据库的建立方法及装置
Deng et al. Temporal predictions of periodic flows using a mesh transformation and deep learning-based strategy
CN116680763B (zh) 形状优化方法及计算机存储介质和终端设备
CN117272870B (zh) 基于自适应重叠网格的动态编队飞行数值仿真方法
CN107526863B (zh) 用于不可压缩瞬态和稳态navier-stokes方程的最佳压力投影方法
Murman et al. A vortex wake capturing method for potential flow calculations
Bui et al. Real-time formal verification of autonomous systems with an fpga

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