基于深度学习的多材料结构拓扑优化方法

提出了一种基于深度卷积神经网络（CNN）的多材料结构拓扑优化方法,实现在不需要任何迭代分析的情况下,在极短的时间内预测出多材料优化结构。研究中,采用了流行的U-Net网络结构,以提高神经网络的边界提取能力。通过有序多材料SIMP（各向同性实材料惩罚密度法）插值方法（Ordered SIMP）生成随机加载条件、质量分数及成本分数下的多材料优化结构数据集,训练得到深度学习神经网络。将所提出方法的效率和精度与传统算法进行比较,对该方法的性能进行评价,结果表明,该方法在几乎不牺牲设计方案性能的前提下,显著降低计算成本。该方法对于拓扑优化在未来多材料结构设计实践中具有巨大潜力和广阔应用前景。