GM-TouNN:ニューラルネットワークを用いた勾配マルチスケールトポロジー最適化【JST・京大機械翻訳】

Chandrasekhar Aaditya; Sridhara Saketh; Suresh Krishnan

プレプリント

J-GLOBAL ID：202202221168673443 整理番号：22P0331970

GM-TouNN:ニューラルネットワークを用いた勾配マルチスケールトポロジー最適化【JST・京大機械翻訳】

GM-TOuNN: Graded Multiscale Topology Optimization using Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月13日プレプリントサーバーでの情報更新日： 2022年04月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

マルチスケールトポロジー最適化(M-TO)は,物理制約問題に対して,最適大域的トポロジーを生成し,より小さなスケールでのミクロ組織の最適集合を生成する。添加剤製造の出現により,M-TOは顕著な突出を得た。しかし,種々の位置での最適微細構造の生成は非常に高価である。代替として,1つ以上の事前選択および傾斜(パラメータ化)微細構造トポロジーを用いて,ドメインを最適に充填する,段階的マルチスケールトポロジー最適化(GM-TO)を提案した。これは,M-TOの利点の多くを保持しながら,計算の有意な減少をもたらす。成功したGM-TOフレームワークはなければならない。(1)多数の事前選択微細構造を効率的に処理できる,(2)最適化時にこれらの微細構造間の連続スイッチが可能であり,(3)1の分割が満足され,(4)終端での微細構造混合が妨げられることを確実にする。本論文では,ニューラルネットワークのユニークな分類能力を利用して,これらの要求を満たすことを提案した。具体的には,次の特徴を持つニューラルネットワーク(GM-TOuNN)フレームワークを用いた段階的マルチスケールトポロジー最適化を提案した。(1)設計変数の数は事前選択微細構造の数に弱く依存し,(2)微細構造混合を中断しながら1の分割を保証し,(3)自動識別を支持し,それによって手動感度分析を除去する。提案したフレームワークをいくつかの例を通して例証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

弾性力学一般

, , ,

前のページに戻る