Details

Настоящая работа направлена на решение проблемы высоких вычислительных затрат итерационного метода топологической оптимизации многофазных анизотропных материалов. Предложен подход, основанный на применении сверточной нейронной сети U-Net, обученной прямому предсказанию оптимального распределения фаз и ориентации анизотропии на основе компонент тензора напряжений исходной конструкции. Обучающая выборка данных сгенерирована путем расчетов ТО методом MMA для тестовых задач с варьированием нагрузки. В ходе исследования гиперпараметров определена оптимальная конфигурация сети. Обучение модели показало стабильную сходимость, а сравнительный анализ предсказаний с эталонными решениями подтвердил высокое сходство топологических структур, распределения фаз и ориентации анизотропии. Результаты демонстрируют высокую эффективность разработанной нейронной сети, позволяющей значительно ускорить получение оптимальных решений для многофазных анизотропных структур, что делает ее ценным инструментом для генерации начальных приближений и быстрой оценки.

The present work addresses the issue of high computational cost associated with the iterative topology optimization of multi-phase anisotropic materials. An approach based on the application of a convolutional neural network (CNN) with U-Net architecture is proposed. This network is trained for direct prediction of the optimal phase distribution and anisotropy orientation, utilizing stress tensor components of the initial structure as input data. The training dataset was generated by performing standard topology optimization computations using the MMA method on test cases with varied loading conditions. Hyperparameter tuning was conducted to determine the optimal network configuration. Model training exhibited stable convergence. A comparative analysis between the CNN predictions and the reference solutions obtained by the iterative method confirmed high structural similarity in topology, phase distribution, and anisotropy orientation. The results demonstrate the high efficiency of the developed neural network, enabling a significant acceleration in obtaining optimal designs for multi-phase anisotropic structures. This positions the CNN as a valuable tool for generating effective initial designs and for rapid design assessment.