抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】