KR20230010432A

KR20230010432A - Method and apparatus for topology optimization using deep learning, computer-readable storage medium and computer program

Info

Publication number: KR20230010432A
Application number: KR1020210090988A
Authority: KR
Inventors: 유용균; 주영환
Original assignee: 한국원자력연구원
Priority date: 2021-07-12
Filing date: 2021-07-12
Publication date: 2023-01-19

Abstract

In accordance with an embodiment, a position optimization design method includes the following steps of: performing a position optimization design about first data including the density of each grid in a random shape comprising nodal points and grids; outputting third data by accelerating the position optimization design by using the first data and at least one piece of second data generated in the step of performing the position optimization design, as input into a deep learning model; and performing the position optimization design on the third data by using the third data through a predetermined mathematical algorithm. The position optimization design can perform a step of determining whether to perform the position optimization design based on a first output value of the last data to which the position optimization design has been performed, and a second output value of data to which the position optimization design has been performed in the previous step. Therefore, the present invention is capable of eliminating the need for a separate verification procedure to guarantee the performance of a software product.

Description

Topology optimization design method and apparatus using deep learning technology, computer readable recording medium and computer program

실시예는 딥러닝 기술을 이용한 위상최적설계 방법에 관한 것이다.The embodiment relates to a topology optimization design method using deep learning technology.

위상최적설계 기술은 무한한 자유도를 가지는 구조를 설계할 수 있는 설계방법론이다. 하지만 현재 위상최적설계 설계방법론에는 다음과 같은 한계점이 존재한다. Topology optimization technology is a design methodology that can design structures with infinite degrees of freedom. However, the current topology optimization design methodology has the following limitations.

일반적으로 최적설계 과정을 통하여 상세한 구조를 찾는데 많은 시간이 소요되며, 산업 현장에서 요구되는 실제 3D 형상을 얻기 위해서는 막대한 계산 비용과 시간이 요구된다.In general, it takes a lot of time to find a detailed structure through an optimal design process, and huge calculation costs and time are required to obtain the actual 3D shape required in the industrial field.

또한, 계산 시간을 줄이기 위한 기법들이 연구되었으나 제안된 설계 조건을 벗어나는 경우 성능을 보장하지 못하는 경우가 일반적이다. In addition, although techniques for reducing calculation time have been studied, performance is not guaranteed when it is out of the proposed design conditions.

또한, 최근에는, 딥러닝 기술을 활용해 최적 형상을 빠르게 예측하는 방법들이 제안되었으나 예측된 근사 해가 본래의 위상최적화를 통한 최적 설계에 비해 성능이 떨어져 활용하기 힘든 경우가 발생할 수 있어 그 활용도에 한계가 있었다.In addition, recently, methods for rapidly predicting an optimal shape using deep learning technology have been proposed, but it may be difficult to utilize it because the predicted approximate solution has poor performance compared to the original optimal design through phase optimization. There were limits.

상술한 문제점을 해결하기 위해, 실시예는 최적설계 과정에 소요되는 계산 비용 및 시간을 줄이기 위한 딥러닝 기술을 이용한 위상최적설계 방법 및 장치를 제공하는 것을 그 목적으로 한다.In order to solve the above problems, an object of the embodiment is to provide a topology optimization method and apparatus using deep learning technology to reduce the computational cost and time required for the optimization process.

또한, 실시예는 어느 설계 조건에서나 적용이 가능한 위상최적설계 방법 및 장치를 제공하는 것을 다른 목적으로 한다.In addition, another object of the embodiments is to provide a topology optimization design method and apparatus that can be applied in any design condition.

또한, 실시예는 딥러닝 기술을 활용한 최적설계의 예측 성능을 향상시키기 위한 위상최적설계 방법 및 장치를 제공하는 것을 또 다른 목적으로 한다.Another object of the embodiments is to provide a topology optimization method and apparatus for improving prediction performance of an optimal design using deep learning technology.

실시예의 위상최적설계 방법은 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 상기 위상최적설계를 수행하는 단계를 포함하고, 상기 위상최적설계를 가속화하는 과정은 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정될 수 있다.The topology optimization method of the embodiment includes the steps of performing topology optimization on first data including the density of each lattice in an arbitrary shape composed of nodes and lattices, and performing the first data and the topology optimization. Accelerating the topology optimization design with at least one second data generated in the step of inputting the deep learning model and outputting the third data; and performing the topology optimization design using the third data using the predetermined mathematical algorithm. The step of accelerating the topology optimization design is performed based on the first output value of the last phase optimization data and the second output value of the previous phase optimization data. can be determined

상기 제1 출력값과 상기 제2 출력값 사이의 변화 값의 임계값 미만이면 위상최적설계를 수행하지 않을 수 있다.If the change between the first output value and the second output value is less than a threshold value, the phase optimization design may not be performed.

상기 제1 출력값과 상기 제2 출력값 사이의 변화 값은 밀도의 변화값일 수 있다.A change value between the first output value and the second output value may be a change value of density.

제1 출력값과 상기 제2 출력값은 각각 0 내지 1 사이의 값을 포함할 수 있다.Each of the first output value and the second output value may include a value between 0 and 1.

상기 딥러닝 모델은 CNN, LSTM, RNN, GRU 및 GNN중 적어도 하나를 포함할 수 있다.The deep learning model may include at least one of CNN, LSTM, RNN, GRU, and GNN.

또한, 실시예의 위상최적설계 장치는 위상최적설계 제어 프로그램이 저장된 메모리와, 상기 메모리에 저장된 위상최적설계 제어 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하고, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하고, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하고, 상기 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되도록 제어할 수 있다.In addition, the topology optimization device of the embodiment includes a memory in which a topology optimization control program is stored, and a processor that executes the topology optimization control program stored in the memory, wherein the processor is configured to: Topology optimization is performed on the first data including the density of the lattice, and the first data and at least one second data generated in the step of performing the topology optimization are input to the deep learning model. is accelerated to output third data, and phase optimization is performed on the third data using the predetermined mathematical algorithm, and the phase optimization is the first output value of the last phase optimization data and It is possible to control whether or not to perform the phase optimization design based on the second output value of the data for which the phase optimization design was performed in the previous step.

상기 프로세서는, 상기 제1 출력값과 상기 제2 출력값 사이의 변화 값의 임계값 미만이면 위상최적설계를 수행하지 않도록 제어할 수 있다.The processor may control not to perform phase optimization when the change between the first output value and the second output value is less than a threshold value.

상기 제1 출력값과 상기 제2 출력값은 각각 0 내지 1 사이의 값을 포함할 수 있다.Each of the first output value and the second output value may include a value between 0 and 1.

상기 딥러닝 모델은 CNN, LSTM, RNN, GRU 및 GNN 중 적어도 하나를 포함할 수 있다.The deep learning model may include at least one of CNN, LSTM, RNN, GRU, and GNN.

또한, 실시예는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하는 단계를 포함하고, 상기 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.In addition, the embodiment is a computer readable recording medium storing a computer program, and the computer program, when executed by a processor, for first data including the density of each lattice in an arbitrary shape composed of nodes and lattice Performing the phase optimization design, and using the first data and at least one or more second data generated in the step of performing the phase optimization as inputs of a deep learning model to accelerate the phase optimization and output third data. and performing topology optimization on the third data using the predetermined mathematical algorithm, wherein the topology optimization is based on a first output value of the last phase optimization data and a previous step. It may include instructions for causing the processor to perform an operation for determining whether or not to perform the topology optimization based on the second output value of the data on which the topology optimization is performed.

또한, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하는 단계를 포함하고, 상기 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.In addition, as a computer program stored on a computer-readable recording medium, the computer program, when executed by a processor, performs a phase optimization design on first data including the density of each lattice in an arbitrary shape composed of nodes and lattices. and outputting third data by accelerating phase optimization using the first data and at least one or more second data generated in the phase optimization step as inputs of a deep learning model; and performing topology optimization on the third data using the predetermined mathematical algorithm, wherein the topology optimization is performed using a first output value of the last phase optimization data and a previous phase optimization. may include instructions for causing the processor to perform an operation for which it is determined whether or not to perform the operation based on the second output value of the performed data.

실시예는 기존 위상최적설계 기법을 그대로 활용하면서 계산 시간만을 비약적으로 줄일 수 있다. 또한, 새로운 소프트웨어를 개발하는 등의 과정이 요구되지 않으므로 위상최적설계를 활용하는 산업 분야에 효과적으로 적용할 수 있으며 결과물의 성능을 보장하기 위한 별도의 검증 절차를 필요로 하지 않게 된다.The embodiment can drastically reduce only the calculation time while utilizing the existing topology optimization design technique as it is. In addition, since processes such as developing new software are not required, it can be effectively applied to industrial fields that utilize topology optimization design, and a separate verification procedure is not required to guarantee the performance of the result.

또한, 실시예는 동일한 설계 도메인에서 반복적인 위상최적설계를 수행하여 비슷한 결과들을 다수 산출하고, 이들 가운데 최적의 디자인을 선택하는 산업 분야의 응용 방식에 적용할 경우 전체적인 계산 시간을 크게 절감할 수 있다. In addition, the embodiment produces a number of similar results by performing iterative topology optimization design in the same design domain, and when applied to an application method in the industrial field in which an optimal design is selected from among them, the overall calculation time can be greatly reduced. .

또한, 실시예는 그래프 신경망의 특징으로 인해 한번 학습된 가속 모델은 해석 경계 조건이나 격자의 수와 모양이 다른 임의의 조건에서도 일반적인 가속화 성능을 낼 수 있어 설계 문제가 바뀜에 따라서 새로운 모델 학습이 필요하지 않다. In addition, in the embodiment, due to the characteristics of the graph neural network, the once-learned acceleration model can produce general acceleration performance under any condition where the number and shape of the lattice is different from the analysis boundary condition, so new model learning is required as the design problem changes. don't

또한, 실시예는 위상최적설계를 수행할수록 쌓이는 데이터를 딥러닝 모델이 추가적으로 학습하여 스스로 가속 성능이 점점 더 향상되는 특징을 가지므로 시간에 따라 경제성이 더욱 커질 것으로 기대된다.In addition, the embodiment is characterized in that the acceleration performance is gradually improved by the deep learning model additionally learning the accumulated data as the topology optimization design is performed, so the economic feasibility is expected to increase over time.

도 1은 실시예에 따른 위상최적설계 방법을 나타낸 순서도이다.
도 2는 실시예에 따른 위상최적설계 방법을 설명하기 위한 도면이다.
도 3은 CNN을 이용하여 이미지를 예측하는 과정을 나타낸 도면이다.
도 4는 비체계 메쉬 구조에서의 위상최적설계하는 모습을 나타낸 도면이다.
도 5는 실시예에 따른 위상최적설계 장치를 나타낸 블록도이다.1 is a flowchart illustrating a phase optimization design method according to an embodiment.
2 is a diagram for explaining a phase optimization design method according to an embodiment.
3 is a diagram illustrating a process of predicting an image using a CNN.
4 is a diagram showing topology optimization in a non-systematic mesh structure.
5 is a block diagram illustrating a phase optimization device according to an embodiment.

이하, 도면을 참조하여 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments will be described in detail with reference to the drawings.

도 1은 실시예에 따른 위상최적설계 방법을 나타낸 순서도이고, 도 2는 실시예에 따른 위상최적설계 방법을 설명하기 위한 도면이고, 도 3은 CNN을 이용하여 이미지를 예측하는 과정을 나타낸 도면이고, 도 4는 비체계 메쉬 구조에서의 위상최적설계하는 모습을 나타낸 도면이다.1 is a flowchart showing a phase optimization method according to an embodiment, FIG. 2 is a diagram for explaining the phase optimization method according to an embodiment, and FIG. 3 is a diagram showing a process of predicting an image using a CNN. 4 is a diagram showing topology optimization in a non-systematic mesh structure.

도 1 및 도 2를 참조하면, 실시예에 따른 위상최적설계 방법은 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계(S100)와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계(S200)와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하는 단계(S300)를 포함할 수 있다.Referring to FIGS. 1 and 2, the topology optimization method according to the embodiment includes the steps of performing topology optimization on first data including the density of each lattice in an arbitrary shape composed of nodes and lattices (S100); Step (S200) of accelerating the phase optimization with the first data and at least one or more second data generated in the step of performing the phase optimization as an input of a deep learning model and outputting third data; 3 may include a step of performing topology optimization on the data using the predetermined mathematical algorithm (S300).

단계(S100)는 제1 데이터(10)를 수학적 알고리즘에 의해 위상최적설계를 수행할 수 있다. 제1 데이터(10)는 입력 데이터일 수 있다. 제1 데이터(10)는 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 데이터를 포함할 수 있다.In step S100, topology optimization may be performed on the first data 10 using a mathematical algorithm. The first data 10 may be input data. The first data 10 may include data including the density of each lattice in an arbitrary shape composed of nodes and lattices.

수학적 알고리즘은 민감도 계산을 통해 수학적으로 최적의 해에 수렴할 때까지 계산을 수행할 수 있다. The mathematical algorithm may perform calculations until convergence to a mathematically optimal solution through sensitivity calculation.

단계(S100)는 수학적 알고리즘에 의해 위상최적설계를 반복하여 시계열적으로 얻어지는 복수의 제2 데이터(20)를 수집할 수 있게 된다. In step S100, it is possible to collect a plurality of second data 20 obtained time-sequentially by repeating phase optimization design by a mathematical algorithm.

여기서, 제1 데이터(10)는 체계 메쉬(Structured Mesh) 형태의 데이터일 수 있으며 이와 다르게 비체계 메쉬(Unstructured Mesh) 형태일 수 있다.Here, the first data 10 may be data in the form of a structured mesh, or may be in the form of an unstructured mesh.

도 2에 도시된 바와 같이, 제1 데이터(10)로부터 2개의 제2 데이터(20)를 추출할 수 있다. 여기서, 제2 데이터(20)는 제2-1 데이터(21)와 제2-2 데이터(22)를 포함할 수 있으며, 그 개수는 한정되지 않는다. 또한, 제2-2 데이터(22)는 제2-1 데이터(21)로부터 위상최적설계가 수행된 데이터일 수 있다.As shown in FIG. 2 , two pieces of second data 20 may be extracted from the first data 10 . Here, the second data 20 may include the 2-1 data 21 and the 2-2 data 22, and the number is not limited. In addition, the 2-2 data 22 may be data for which phase optimization is performed from the 2-1 data 21 .

즉, 단계(S100)는 흐릿한 형상에서 전체적인 윤곽이 빠르게 결정되는 초기 과정을 수행할 수 있다.That is, in step S100, an initial process in which an overall outline is rapidly determined in a blurry shape may be performed.

도 1로 돌아가서, 단계(S200)는 제1 데이터(10)와 제2 데이터(20)를 딥러닝 모델의 입력으로 하여 위상최적설계를 수행할 수 있다. 실시예에서 딥러닝 모델(100)의 입력 데이터는 3개의 데이터일 수 있으나, 이에 한정되지 않는다.Returning to FIG. 1 , in step S200 , topology optimization may be performed by using the first data 10 and the second data 20 as inputs of the deep learning model. In an embodiment, the input data of the deep learning model 100 may be three pieces of data, but is not limited thereto.

단계(S200)에서, 딥러닝 모델(100)에 제1 데이터(10)와 제2 데이터(20)를 입력하면 제2 데이터(20)로부터 위상최적설계된 1개의 제3 데이터(30)를 출력할 수 있다. 여기서, 제3 데이터(30)는 제2 데이터(20)로부터 위성 최적화를 가속화할 수 있게 되어 보다 위상최적설계 성능을 향상시킬 수 있게 된다.In step S200, when the first data 10 and the second data 20 are input to the deep learning model 100, one third data 30 topologically optimized from the second data 20 is output. can Here, the third data 30 can accelerate satellite optimization from the second data 20, so that topology optimization performance can be further improved.

즉, 단계(S200)는 대략적으로 정해진 형상에서 각 부부의 구체적인 모양이 분명하게 결정되는 과정을 수행하는 단계일 수 있다.That is, step (S200) may be a step of performing a process in which the specific shape of each couple is clearly determined from the roughly determined shape.

딥러닝 모델(100)은 CNN 모델, LSTM 모델, RNN 모델, GRU 모델, GNN 모델 중 적어도 어느 하나를 포함할 수 있다. 딥러닝 모델은 데이터의 형태에 따라 다른 모델을 사용할 수 있다.The deep learning model 100 may include at least one of a CNN model, an LSTM model, an RNN model, a GRU model, and a GNN model. Deep learning models can use different models depending on the type of data.

일 예로, 데이터가 체계 메쉬 형태일 경우, CNN 기반의 Unet 구조를 활용할 수 있다.For example, when data is in the form of a systematic mesh, a CNN-based Unet structure may be utilized.

도 3에 도시된 바와 같이, Unet은 영상 분할(Image segmentation)에 주로 활용된다. 주어진 이미지에서 서로 다른 사물을 구분하고 이를 카테고리로 분류하는 기능을 적절하게 수행할 수 있다.As shown in FIG. 3, Unet is mainly used for image segmentation. It can properly perform a function of distinguishing different objects from a given image and classifying them into categories.

입력 정보를 잠재 벡터(latent vector) 영역으로 압축하고 다시 확대하는 구조를 통해 데이터로부터 일반화된 규칙성을 학습하도록 할 수 있다.Generalized regularities can be learned from data through a structure that compresses input information into a latent vector domain and expands it again.

상기에서는 데이터가 체계 메쉬 형태일 경우, CNN 모델을 이용하였으나, 이에 한정되지 않고 LSTM 모델을 사용할 수도 있다. 또한, 이와 다르게, CNN 모델과 LSTM 모델이 복합된 형태의 모델을 사용할 수도 있다.In the above, when the data is in the form of a systematic mesh, the CNN model is used, but the LSTM model may be used without being limited thereto. Alternatively, a model in which a CNN model and an LSTM model are combined may be used.

다른 예로, 데이터가 체계 메쉬 형태일 경우, 아래와 같이 수행될 수 있다.As another example, if the data is in the form of a systematic mesh, the following may be performed.

도 4에 도시된 바와 같이, 데이터는 노드들의 집합(set)과 노드의 부분집합(sub-set)으로 이루어진 절점과 격자 정보를 포함하는 것으로 정의될 수 있다. 위상최적설계는 각 요소(Element)의 밀도를 입력변수로 하여 최적화가 이루어진다. 현재 데이터는 곧바로 GNN 모델에 사용될 수 없으므로 도 4b와 같이 변환한다. 각 요소의 중심에 새로운 노드를 생성하고 인접한 요소 정보를 이용하여 엣지(edge)를 표시할 수 있다.As shown in FIG. 4, data may be defined as including node and lattice information consisting of a set of nodes and a sub-set of nodes. The topology optimization design is optimized by using the density of each element as an input variable. Since the current data cannot be directly used in the GNN model, it is converted as shown in FIG. 4b. A new node can be created at the center of each element and an edge can be displayed using information on adjacent elements.

또한, 정리하면 GNN 모델로 표현된 위상최적설계는 아래와 같은 정보로 표현될 수 있다.In addition, in summary, the topology optimization design represented by the GNN model can be expressed as the following information.

노드(Node): 각 요소 중심좌표Node: Coordinates of the center of each element

엣지(Edge): 인접한 요소의 경우 가장자리 표시Edge: Show edges for adjacent elements

노드 특징(Node feature): 밀도(위상최적화변수), 요소면적Node feature: density (topology optimization variable), element area

엣지 특징(Edge feature): 노드 간 상대좌표 (방향 및 거리)Edge feature: Relative coordinates between nodes (direction and distance)

도 1 및 도 2로 돌아가서, 단계(S300)는 제3 데이터를 수학적 알고리즘에 의해 위상최적설계를 수행할 수 있다. 수학적 알고리즘은 민감도 계산을 통해 수학적으로 최적의 해에 수렴할 때까지 계산을 수행할 수 있다. Returning to FIGS. 1 and 2 , in step S300 , topology optimization may be performed on the third data using a mathematical algorithm. The mathematical algorithm may perform calculations until convergence to a mathematically optimal solution through sensitivity calculation.

단계(S300)는 수학적 알고리즘에 의해 위상최적설계를 반복하여 시계열적으로 얻어지는 복수의 제4 데이터(40)를 수집할 수 있게 된다. 제4 데이터(40)는 제4-1 데이터(41) 및 제4-2 데이터(42)를 포함할 수 있으나, 이에 한정되지 않는다.In step S300, it is possible to collect a plurality of fourth data 40 obtained time-sequentially by repeating phase optimization design by a mathematical algorithm. The fourth data 40 may include the 4-1 data 41 and the 4-2 data 42, but is not limited thereto.

마찬가지 방법으로, 제3 데이터(30) 및 제4 데이터(40)를 딥러닝 모델을 이용하여 위상최적설계하는 과정을 더 수행할 수 있다.In the same way, a process of topology optimization of the third data 30 and the fourth data 40 using a deep learning model may be further performed.

한편, 데이터의 형상이 정해진 목표치에 수렴해감에 따라 위상최적설계의 진행 여부를 결정해야 한다.On the other hand, as the shape of the data converges to a set target value, it is necessary to determine whether or not to proceed with the topology optimization design.

예컨대, 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 그 이전 단계에서 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정될 수 있다.For example, whether to perform phase optimization may be determined based on a first output value of data on which phase optimization is performed last and a second output value of data on which phase optimization is performed in a previous step.

제1 출력값 및 제2 출력값은 형상에 대한 밀도값일 수 있다. 제1 출력값은 0 내지 1로 표현될 수 있다.The first output value and the second output value may be a density value for a shape. The first output value may be expressed as 0 to 1.

위상최적설계는 제1 출력값과 제2 출력값 사이의 변화 값은 밀도의 변화값이 임계값 미만인 경우, 위상최적설계를 수행하지 않을 수 있다.The phase optimization design may not be performed when the change value of the density between the first output value and the second output value is less than a threshold value.

예컨대, 단계(S100)를 수행하는 중 출력값들 사이의 변화값의 차이가 임계값 미만이면 위상최적설계를 중단하고 마지막에 출력된 데이터를 최종 데이터로 선정할 수 있다.For example, if the difference between the change values between the output values is less than the threshold value during the step S100, the phase optimization design may be stopped and the last output data may be selected as the final data.

또한, 단계(S200)를 수행하는 중 딥러닝 모델에서 출력된 데이터의 출력값과 딥러닝 모델의 입력으로 사용된 데이터의 출력값의 변화값 차이가 임계값 미만이면 위상최적설계를 중단하고 딥러닝 모델에서 출력된 데이터를 최종 데이터로 선정할 수 있다.In addition, if the difference between the output value of the data output from the deep learning model and the change value of the output value of the data used as the input of the deep learning model during the step (S200) is less than the threshold value, the phase optimization design is stopped and the deep learning model The output data can be selected as the final data.

또한, 동일한 설계 도메인에서 반복적인 위상최적설계를 수행하여 비슷한 결과들을 다수 산출하고, 이들 가운데 최적의 디자인을 선택하는 산업 분야의 응용 방식에 적용할 경우 전체적인 계산 시간을 크게 절감할 수 있다. In addition, the overall calculation time can be greatly reduced when applied to an application method in the industrial field in which a number of similar results are calculated by performing iterative topology optimization design in the same design domain and an optimal design is selected among them.

그래프 신경망의 특징으로 인해 한번 학습된 가속 모델은 해석 경계 조건이나 격자의 수와 모양이 다른 임의의 조건에서도 일반적인 가속화 성능을 낼 수 있어 설계 문제가 바뀜에 따라서 새로운 모델 학습이 필요하지 않다. Due to the characteristics of the graph neural network, the once-learned acceleration model can produce general acceleration performance under any condition where the number and shape of the lattice is different from the analysis boundary condition, so there is no need to learn a new model as the design problem changes.

또한 위상최적설계를 수행할수록 쌓이는 데이터를 딥러닝 모델이 추가적으로 학습하여 스스로 가속 성능이 점점 더 향상되는 특징을 가지므로 시간에 따라 경제성이 더욱 커질 것으로 기대된다.In addition, as the topology optimization design is performed, the deep learning model additionally learns the accumulated data, and the acceleration performance is gradually improved by itself, so the economic feasibility is expected to increase over time.

실시예는 추후 AI 기반 자동설계 방법론의 핵심 기술이 될 것으로 기대된다.The embodiment is expected to become a core technology of AI-based automatic design methodology in the future.

도 5는 실시예에 따른 위상최적설계 장치를 나타낸 블록도이다.5 is a block diagram illustrating a phase optimization device according to an embodiment.

도 5를 참조하면, 실시예에 따른 위상최적설계 장치(1000)는 위상최적설계 제어 프로그램이 저장된 메모리(1100)와, 상기 메모리에 저장된 위상최적설계 제어 프로그램을 실행하는 프로세서(1200)를 포함할 수 있다.Referring to FIG. 5 , a topology optimization device 1000 according to an embodiment may include a memory 1100 storing a topology optimization control program and a processor 1200 executing the topology optimization control program stored in the memory. can

메모리(1100)는 위상최적설계 제어 프로그램 등 전반적인 동작을 위한 다양한 데이터가 저장될 수 있다. 구체적으로 메모리에는 위상최적설계 장치에서 구동되는 다수의 응용 프로그램 위상최적설계 장치의 동작을 위한 데이터 및 명령어를 저장할 수 있다.The memory 1100 may store various data for overall operations, such as a topology optimization control program. Specifically, the memory may store data and commands for the operation of a plurality of application program topology optimization devices driven by the topology optimization device.

메모리(1100)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 이에 한정되는 것은 아니다.The memory 1100 may include magnetic storage media or flash storage media, but is not limited thereto.

프로세서(1200)는 일종의 중앙처리장치로서 위상최적설계 장치의 전체 동작을 제어할 수 있다.The processor 1200 is a kind of central processing unit and can control the entire operation of the phase optimization device.

프로세서(1200)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 이에 한정되는 것은 아니다.The processor 1200 may include all types of devices capable of processing data. Here, a 'processor' may refer to a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program, for example. As an example of such a data processing device built into hardware, a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated (ASIC) circuit) and a processing device such as a field programmable gate array (FPGA), but is not limited thereto.

프로세서(1200)의 동작을 살펴보면 다음과 같다. 프로세서의 동작은 도 1 내지 도 4에 의해 수행되는 동작을 수행할 수 있다.The operation of the processor 1200 is as follows. The operation of the processor may perform operations performed by FIGS. 1 to 4 .

프로세서(1200)는 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하도록 제어할 수 있다. The processor 1200 may control to perform topology optimization on first data including the density of each lattice in an arbitrary shape composed of nodes and lattices.

프로세서(1200)는 제1 데이터와 상기 위상최적설계를 수행하는 과정에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 수행하여 제3 데이터를 출력하도록 제어할 수 있다.The processor 1200 may perform phase optimization using the first data and at least one or more second data generated in the process of performing the phase optimization as inputs of the deep learning model, and output third data.

프로세서(1200)는 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행할 수 있다.The processor 1200 may perform topology optimization on the third data using the predetermined mathematical algorithm.

프로세서(1200)는 위상최적설계의 수행 여부를 결정하기 위해 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 그 이전 단계에서 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되도록 제어할 수 있다.The processor 1200 determines whether to perform the phase optimization based on the first output value of the last phase optimization data and the second output value of the previous phase optimization data. can be controlled to determine.

본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 제어부에 의해 실행될 경우, 제어부가 직접, 또는 상기 제어부의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, 비일시적은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.Various embodiments of the present document are software (eg, machine-readable storage media) (eg, memory (internal memory or external memory)) including instructions stored in a storage medium readable by a machine (eg, a computer). : program). A device is a device capable of calling a stored command from a storage medium and operating according to the called command, and may include an electronic device according to the disclosed embodiments. When the command is executed by the control unit, the control unit may perform a function corresponding to the command directly or by using other components under the control of the control unit. An instruction may include code generated or executed by a compiler or interpreter. The device-readable storage medium may be provided in the form of a non-transitory storage medium. Here, non-temporary means that the storage medium does not contain a signal and is tangible, but does not distinguish whether data is stored semi-permanently or temporarily in the storage medium.

실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.According to an embodiment, a method according to various embodiments disclosed in this document may be included in a computer program product and provided.

일 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하는 단계를 포함하고, 상기 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.According to an embodiment, as a computer readable recording medium storing a computer program, performing topology optimization on first data including a density of each lattice in an arbitrary shape composed of nodes and lattices; accelerating the topology optimization using the first data and at least one or more second data generated in the step of performing the topology optimization as an input of a deep learning model and outputting third data; and performing topology optimization using a mathematical algorithm of , wherein the topology optimization includes a first output value of data for which topology optimization was performed last and a second output value of data for which topology optimization was performed in the previous step. It may include instructions for causing the processor to perform an operation that is determined to be performed based on an output value.

일 실시예에 따르면, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 절점과 격자로 구성된 임의의 형상에서 각 격자의 밀도를 포함하는 제1 데이터에 대해 위상최적설계를 수행하는 단계와, 상기 제1 데이터와 상기 위상최적설계를 수행하는 단계에서 생성된 적어도 하나 이상의 제2 데이터를 딥러닝 모델의 입력으로 위상최적설계를 가속화하여 제3 데이터를 출력하는 단계와, 상기 제3 데이터를 상기 소정의 수학적 알고리즘을 이용하여 위상최적설계를 수행하는 단계를 포함하고, 상기 위상최적설계는 가장 마지막에 위상최적설계가 수행된 데이터의 제1 출력값과 이전 단계에 위상최적설계가 수행된 데이터의 제2 출력값을 기초로 수행 여부가 결정되는 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.According to an embodiment, a computer program stored on a computer readable recording medium includes performing topology optimization on first data including a density of each lattice in an arbitrary shape composed of nodes and lattices; accelerating the topology optimization using the first data and at least one or more second data generated in the step of performing the topology optimization as an input of a deep learning model and outputting third data; and performing topology optimization using a mathematical algorithm of , wherein the topology optimization includes a first output value of data for which topology optimization was performed last and a second output value of data for which topology optimization was performed in the previous step. It may include instructions for causing the processor to perform an operation that is determined to be performed based on an output value.

상기에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 실시예의 기술적 사상으로부터 벗어나지 않는 범위 내에서 실시예는 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.Although the above has been described with reference to drawings and embodiments, it is understood that those skilled in the art can modify and change the embodiments in various ways without departing from the technical spirit of the embodiments described in the claims below. You will be able to.

100: 위상최적설계 장치
110: 메모리
120: 프로세서100: topology optimization device
110: memory
120: processor

Claims

performing topological optimization on first data including a density of each lattice in an arbitrary shape composed of nodes and lattices;
accelerating phase optimization using the first data and at least one or more second data generated in the phase optimization step as inputs of a deep learning model and outputting third data; and
Performing topology optimization on the third data using the predetermined mathematical algorithm;
The phase optimization design using deep learning technology in which whether or not to perform the phase optimization design is determined based on the first output value of the last phase optimization data and the second output value of the previous phase optimization data. Way.

According to claim 1,
Phase optimization design method using deep learning technology, characterized in that the phase optimization is not performed if the change value between the first output value and the second output value is less than a threshold value.

According to claim 2,
The phase optimization design method using deep learning technology, wherein the change value between the first output value and the second output value is a change value of density.

According to claim 1,
The first output value and the second output value each include a value between 0 and 1. Phase optimization design method using deep learning technology.

According to claim 1,
The deep learning model is a topology optimization method using deep learning technology including at least one of CNN, LSTM, RNN, GRU and GNN.

a memory in which a topology optimization control program is stored;
A processor executing a phase optimization control program stored in the memory;
the processor,
In an arbitrary shape composed of nodes and lattices, topology optimization is performed on first data including the density of each lattice, and at least one or more second data generated in the step of performing the topology optimization design on the first data. As an input of the deep learning model, the phase optimization design is accelerated to output third data, the third data is subjected to phase optimization using the predetermined mathematical algorithm, and the phase optimization design is the last phase optimization. A phase optimization device using deep learning technology that controls whether or not to perform a design based on a first output value of data for which design has been performed and a second output value of data for which phase optimization has been performed in a previous step.

According to claim 6,
the processor,
Phase optimization design device using deep learning technology for controlling not to perform phase optimization when the change value between the first output value and the second output value is less than a threshold value.

According to claim 7,
A change value between the first output value and the second output value is a change value of density, and a phase optimization device using deep learning technology.

According to claim 6,
The first output value and the second output value each include a value between 0 and 1, and the phase optimization device using deep learning technology.

According to claim 1,
The deep learning model is a topology optimization device using deep learning technology including at least one of CNN, LSTM, RNN, GRU and GNN.

A computer-readable recording medium storing a computer program,
When the computer program is executed by a processor,
performing topological optimization on first data including a density of each lattice in an arbitrary shape composed of nodes and lattices;
accelerating phase optimization using the first data and at least one or more second data generated in the phase optimization step as inputs of a deep learning model and outputting third data; and
Performing topology optimization on the third data using the predetermined mathematical algorithm;
The processor determines whether or not to perform the phase optimization based on the first output value of data for which phase optimization was performed last and the second output value of data for which phase optimization was performed in the previous step. A computer readable recording medium containing instructions for

As a computer program stored on a computer-readable recording medium,
When the computer program is executed by a processor,
performing topological optimization on first data including a density of each lattice in an arbitrary shape composed of nodes and lattices;
accelerating phase optimization using the first data and at least one or more second data generated in the phase optimization step as inputs of a deep learning model and outputting third data; and
Performing topology optimization on the third data using the predetermined mathematical algorithm;
The processor determines whether or not to perform the phase optimization based on the first output value of data for which phase optimization was performed last and the second output value of data for which phase optimization was performed in the previous step. A computer readable program containing instructions for