文献

J-GLOBAL ID：202202289869756624   整理番号：22A1158835

深層ニューラルネットワーク技法を用いた連結性と加速マルチスケールトポロジー最適化の改善【JST・京大機械翻訳】

Improving connectivity and accelerating multiscale topology optimization using deep neural network techniques

著者 (4件)： Patel Darshil (Department of Automotive Engineering, Clemson University, Greenville, SC, USA) ,  Bielecki Dustin (Department of Automotive Engineering, Clemson University, Greenville, SC, USA) ,  Rai Rahul (Department of Automotive Engineering, Clemson University, Greenville, SC, USA) ,  Dargush Gary (Department of Mechanical and Aerospace Engineering, University at Buffalo, Buffalo, NY, USA)
資料名： Structural and Multidisciplinary Optimization  (Structural and Multidisciplinary Optimization)
巻： 65  号： 4  ページ： 126  発行年： 2022年 
JST資料番号： W0188A  ISSN： 1615-147X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 付加的製造能力と計算資源の急速な進歩は,マルチスケールトポロジー最適化(TO)を触媒した。最近,一般的およびマルチスケールTOにおけるTOは,グローバルおよび局所的に最適化した構造を設計する系統的アプローチにより,増加した引力を受けてきた。マルチスケールTO計算パラダイムは,幾何学的フラストレーション,非平滑境界,および処理する必要があるより高い計算時間を含む付加的な新しい課題をもたらした。本論文では,マルチスケールTOフレームワークで遭遇する課題を克服するため,新しい深層学習ベース計算パイプラインを開発した。概説された計算パイプラインは,2つのニューラルネットワーク(NN)アーキテクチャを採用した。(1)SILONetと(2)連結性Net。SILONetは,マクロスケール最適化構造の要素のための最適化微細構造を予測し,そして,接続性Netは,SILONet出力に適合するマルチスケールトポロジーのための連結性を改善した。本論文の主な新しさは,幾何学的フラストレーション,非平滑エッジ,境界でのダングリング構造,および,必須の物理を捕捉し,最適化解を確保するためのマルチスケールTO計算の加速などの課題を緩和するための2つのNNアーキテクチャの利用である。提案手法の有効性を,いくつかの二次元および三次元試験事例への適用によって実証した。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *位相幾何学 ,  *最適化 ,  *ニューラルネットワーク ,  計算 ,  生産能力 ,  二次元 ,  三次元 ,  *指数 ,  *規模 ,  計算機アーキテクチャ ,  機械学習 ,  フレームワーク【ソフトウェア開発】
準シソーラス用語： *マルチスケール ,  *位相最適化 ,  計算資源 ,  深層学習 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： マルチスケールトポロジー最適化 ,  修正SIMP ,  深層学習 ,  機械学習 ,  深層ニューラルネットワーク ,  畳込みニューラルネットワーク

分類 (2件)： 弾性力学一般  (HC02010M) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 深層ニューラルネットワーク ,  技法 ,  連結性 ,  加速 ,  マルチスケール ,  トポロジー最適化