基于物理驱动深度学习的结构形状优化设计

作     者：唐和生 李度 廖洋洋 李荣帅 TANG Hesheng;LI Du;LIAO Yangyang;LI Rongshuai

作者机构：同济大学土木工程学院上海200092 上海建工集团股份有限公司上海200080 

基　　金：国家自然科学基金资助项目(52378184) 

出 版 物：《湖南大学学报（自然科学版）》 (Journal of Hunan University:Natural Sciences)

年 卷 期：2024年第51卷第11期

页      码：33-42页

摘      要：结构形状的优化设计本质上是一类泛函极值求解问题.在求解高维度泛函极值问题时,传统的变分法往往面临着求解目标函数类型有限、求解过程呈现振荡行为等问题.利用深度学习模型的高维非线性映射能力,建立了一种基于物理驱动深度学习的泛函极值求解模型.首先将描述结构形状优化问题的物理信息(控制方程、初始条件和边界条件等)作为正则化项嵌入深度学习模型中,基于性能目标构建损失函数;采用随机梯度下降法完成深度学习模型的训练,进而实现泛函极值的求解和结构形状的优化设计;通过分析最优曲面和最优拱轴线问题验证模型的有效性,并与遗传算法进行对比,结果表明该模型在小样本的目标任务上具有较高的预测精度和效率.作为一种非参数模型化技术,物理驱动深度学习模型对解决数据采集成本高、难度大的工程问题具有重要意义.

主 题 词：物理驱动深度学习 形状优化设计 泛函极值 遗传算法 

学科分类：08[工学] 081402[081402] 081304[081304] 0813[工学-化工与制药类] 0814[工学-地质类] 

核心收录：

D　O　I：10.16339/j.cnki.hdxbzkb.2024105

馆 藏 号：203155743...