Details

Настоящая работа направлена на решение проблемы высоких вычислительных затрат итерационного метода топологической оптимизации для связанных задач электроупругости. Предложен подход, основанный на применении сверточной нейронной сети U-Net, обученной прямому предсказанию оптимального распределения пьзеоэлектрического материала. В качестве входных параметров используются распределения компонентов тензора напряжений, электрического потенциала в конструкции и параметр нажимного усилия актуатора. Обучающая выборка данных сгенерирована путем расчетов ТО методом MMA для тестовых задач. В ходе исследования гиперпараметров определена оптимальная конфигурация сети. Обучение модели показало стабильную сходимость. Сравнительный анализ, проведенный на тестовой выборке, подтвердил высокое сходство топологических структур с эталонными решениями для оптимального распределения пьзеоэлектрического материала.

This current work addresses the problem of high computational costs associated with the iterative topology optimization method for coupled electroelastic problems. An approach based on the application of a U-Net type convolutional neural network is proposed, with the network trained to directly predict the optimal distribution of piezoelectric material. The input parameters include the distributions of stress tensor components, the electric potential in the structure, and the actuator pressing force parameter. The training dataset was generated by performing topology optimization calculations using the MMA method for a set of test problems. During the hyperparameter study, the optimal network configuration was determined. The model training demonstrated stable convergence. A comparative analysis performed on the test dataset confirmed a high similarity between the predicted topological structures and the reference solutions for the optimal distribution of piezoelectric material.