何俊彦;查尔查达;沙申克Kushwaha;塞德·科里克;阿布伊达，迪亚卜;伊沃纳·贾西克 拓扑优化应用中的深层能量方法。 （英语） Zbl 1518.74067号 机械学报。 234，第4期，1365-1379（2023）. 摘要：本文通过引入一个基于物理信息神经网络（PINNs）的完全自监督的拓扑优化（TO）框架，探讨了将物理信息神经网（PINN）应用于拓扑优化的可能性。该框架通过深层能量法（DEM）解决了前向弹性问题。我们没有训练单独的神经网络来更新密度分布，而是利用柔度最小化问题是自共轭的这一事实，直接根据DEM模型的位移场来表示单元灵敏度。因此，逆问题不需要额外的神经网络。使用移动渐近线方法作为更新密度分布的优化器。在DEM模型的上下文中描述了Neumann、Dirichlet和周期边界条件的实现。给出了三个数值例子来证明框架的能力：（i）不同几何形状和载荷下的二维柔度最小化，（ii）三维柔度最小化和（iii）设计二维超材料单元的均质剪切模量最大化。结果表明，基于DEM框架的优化设计与有限元方法的优化设计非常相似，并为将基于PINN的仿真方法集成到经典计算力学问题中提供了一种新方法。 引用于4文件 理学硕士： 第74页第15页 固体力学优化问题的拓扑方法 74P05号 固体力学中的柔度或重量优化 74S99型 固体力学中的数值方法和其他方法 68T05型 人工智能中的学习和自适应系统 关键词：物理信息神经网络;遵从性最小化;移动渐近线法;均匀剪切模量最大化 软件：L-BFGS-B型;TOuNN公司;L-BFGS公司;LBFGS-B型;顶部。米;github;TensorFlow公司;Matlab公司;PyTorch公司;前88.m PDF格式BibTeX公司 XML格式引用 \textit{J.He}等人，《机械学报》。234，编号4，1365--1379（2023；Zbl 1518.74067） 全文： 内政部 arXiv公司 参考文献： [1] 陈，C-T；顾，GX，复合材料机器学习，MRS Commun。，9, 2, 556-566 (2019) ·doi:10.1557/mrc.2019.32 [2] Yang，C.，Kim，Y.，Ryu，S.，Gu，G.X.：使用卷积神经网络预测复合材料微观结构应力应变曲线。马特。设计。189:108509 (2020) [3] 罗，L。；张，B。；张，G。；李，X。；方，X。；李伟（Li，W.）。；Zhang，Z.，使用人工神经网络快速预测和反向设计复合材料的变形行为，Polym。高级技术。，32, 3, 1049-1060 (2021) ·doi:10.1002/pat.5152 [4] He，J.，Kushwaha，S.，Abueida，D.，Jasiuk，I.：使用神经网络探索薄壁二维挤压晶格的结构-性能关系。计算结构。（2022），正在印刷中。doi:10.1016/j.compstruc.2022.106940 [5] 陈，G。；李·T。；陈，Q。；任，S。；王，C。；Li，S.，深度学习神经网络在基于壳体结构永久塑性变形的碰撞载荷条件识别中的应用，计算。机械。，64, 2, 435-449 (2019) ·Zbl 1468.74082号 ·doi:10.1007/s00466-019-01706-2 [6] 斯托菲尔，M。；Bamer，F。；Markert，B.，基于神经网络的非线性粘塑性结构响应本构建模，Mech。Res.Commun.公司。，95, 85-88 (2019) ·Zbl 1425.74504号 ·doi:10.1016/j.mechrescom.2019.01.004 [7] Maysam B、Gorji、Mojtaba、Mozaffar、Julian N、Heidenreich、Jian、Cao和Dirk，Mohr：关于递归神经网络对路径依赖塑性建模的潜力。J.机械。物理固体，143:103972（2020） [8] Diab W、Abueida、Seid、Koric、Nahil A、Sobh和Huseyin、Sehitoglu。深入学习塑性和热-粘塑性。《国际塑性杂志》，136:102852（2021） [9] Chen，G.，递归神经网络（rnns）学习粘弹性本构关系，计算。机械。，67, 3, 1009-1019 (2021) ·Zbl 1494.74011号 ·doi:10.1007/s00466-021-01981-y [10] Yang，H。；项，Q。；唐，S。；郭，X.，用人工神经网络从位移场中学习材料定律，Theor。申请。机械。莱特。，10, 3, 202-206 (2020) ·doi:10.1016/j.taml.2020.01.038 [11] 弗拉舍尔，M。；库马尔，S。；De Lorenzis，L.，可解释超弹性本构定律的无监督发现，计算。方法应用。机械。工程，381（2021）·Zbl 1506.74051号 ·doi:10.1016/j.cma..2021.113852 [12] Khemraj、Shukla、Mengjia、Xu、Nathaniel、Trask和George E、Karniadakis：基于物理的神经网络和图形网络的可伸缩算法。数据中心工程，3（2022） [13] Haghighat，E。；莱斯，M。；A.穆尔。；戈麦斯，H。；Juanes，R.，《固体力学反演和代理建模的基于物理的深度学习框架》，计算。方法应用。机械。工程，379（2021）·Zbl 1506.74476号 ·doi:10.1016/j.cma.2021.113741 [14] 盛泽、蔡、志平、毛、志诚、王、明朗、尹和乔治·埃姆、卡尼亚达克斯。流体力学物理信息神经网络（pins）：综述。机械学报。Sinica，1-12（2022） [15] Henkes，A。；Wessels，H。；Mahnken，R.，《连续体微观力学的物理学通知神经网络》，计算。方法应用。机械。工程师，393（2022）·Zbl 1507.74478号 ·doi:10.1016/j.cma.2022.114790 [16] Raissi，M.，《深层隐藏物理模型：非线性偏微分方程的深层学习》，J.Machine learning Res，19，1，932-955（2018）·Zbl 1439.68021号 [17] Diab，W，Abueida，Qiyue，Lu，and Seid，Koric：三维固体力学的无网格物理深度学习方法。国际数值方法工程杂志122（23）：7182-7201（2021） [18] 洪伟，郭晓英，庄和Timon，Rabczuk：基尔霍夫板弯曲分析的深度配置方法。arXiv预打印arXiv:2102.02617（2021） [19] 加利福尼亚州Yan；韦斯科维尼，R。；Dozio，L.，基于物理信息神经网络和极端学习的复合材料结构分析框架，Comp。结构。，265 (2022) ·doi:10.1016/j.compstruc.2022.106761 [20] Sina Amini、Niaki、Ehsan、Haghighat、Trevor、Campbell、Anoush、Poursartip和Reza，Vaziri：用于模拟制造过程中复合物-酚系统热化学固化过程的物理信息神经网络。计算机方法应用。机械。工程384:113959（2021）·Zbl 1506.74123号 [21] Wessels，H。；魏恩费尔斯，C。；Wriggers，P.，《神经粒子方法——更新的拉格朗日物理学为计算流体动力学的神经网络提供了信息》，Compute。方法应用。机械。工程师，368（2020）·Zbl 1506.76136号 ·doi:10.1016/j.cma.2020.113127 [22] 于兵。，等人：deep Ritz方法：一种基于深度学习的求解变分问题的数值算法。Com.数学。统计6（1），1-12（2018）·Zbl 1392.35306号 [23] 于磊，廖和平冰，明：Deep nitsche方法：具有本质边界条件的Deep Ritz方法。arXiv预印arXiv:1912.01309（2019） [24] 拉里·塞格林德（Larry J Segerlind）。应用有限元分析。(1984) ·Zbl 0404.73064号 [25] Junuthula Narasimha，Reddy：非线性有限元分析简介，第二版：应用于传热、流体力学和固体力学。牛津大学出版社（2014）·Zbl 1305.65002号 [26] Esteban、Samaniego、Cosmin、Anitescu、Somdatta、Goswami、Vien Minh、Nguyen-Thanh、Hongwei、Guo、Khader、Hamdia、X Zhung和T Rabczuk：通过机器学习解决计算力学中偏微分方程的能量方法：概念、实现和应用。应用力学与工程中的计算机方法，362:12790（2020）·Zbl 1439.74466号 [27] Vien Minh、Nguyen-Thanh、Xiaoying、Zhuang和Timon Rabczuk：有限变形超弹性的深能方法。欧洲机械杂志-A/固体，80:103874（2020）·Zbl 1472.74213号 [28] Jan N、Fuhg和Nikolaos Bouklas：用于解决有限应变超弹性集中特征的混合深层能量方法。J.公司。物理。451:110839 (2022) ·Zbl 07517152号 [29] Diab W、Abueida、Seid、Koric、Erman、Guleryuz和Nahil A，Sobh：增强的超弹性物理信息神经网络。arXiv预打印arXiv:2205.14148（2022a） [30] Shahed、Rezaei、Ali、Harandi、Ahmad、Moeineddin、Bai-Xiang、Xu和Stefanie Reese：物理信息神经网络的混合公式，作为异质领域工程问题的潜在解决方案：与有限元方法的比较。arXiv预打印arXiv:2206.13103（2022）·Zbl 1507.74068号 [31] Hunter T、Kollmann、Diab W、Abueida、Seid、Koric、Erman、Guleryuz和Nahil A，Sobh：二维超材料拓扑优化的深度学习。材料与设计，196:109098（2020） [32] Diab W、Abueida、Seid、Koric和Nahil A，Sobh：使用深度学习对具有非线性的二维结构进行拓扑优化。计算机与结构。237:106283 (2020) [33] 索斯诺维克，I。；Oseledets，I.，拓扑优化的神经网络，Russ.J.Numer。分析。数学。型号。，34, 4, 215-223 (2019) ·兹比尔1420.68178 ·doi:10.1515/rnam-2019-0018 [34] Saurabh、Banga、Harsh、Gehani、Sanket、Bhilare、Sagar、Patel和Levent、Kara：使用卷积神经网络进行三维拓扑优化。arXiv预印arXiv:1808.07440（2018） [35] 张泽宇，余；李，WZ；陈，X。；姚，W。；Zhao，Y.，Tonr：探索将神经网络与拓扑优化相结合的新方法，计算。方法应用。机械。工程，386（2021）·Zbl 1507.74346号 ·doi:10.1016/j.cma.2021.114083 [36] Stephan、Hoyer、Jascha、Sohl-Dickstein和Sam Greydanus：神经重新参数化改善了结构优化。arXiv预印本arXiv:1909.04240（2019） [37] Chandrasekhar，A。；Suresh，K.，Tounn：使用神经网络的拓扑优化，结构。多磁盘。最佳。，63, 3, 1135-1149 (2021) ·doi:10.1007/s00158-020-02748-4 [38] 森德，J。；李毅。；科罗斯，S。；Thomaszewski，B.，Ntopo:使用隐式神经表示的无网格拓扑优化，高级神经。信息处理。系统。，34, 10368-10381 (2021) [39] Pattanayak，S.：John S Pattanayack和Suresh John。Tensorflow专业深度学习。施普林格（2017） [40] Ciyou、Zhu、Richard H、Byrd、Peihuang、Lu和Jorge、Nocedal。算法778:L-bfgs-b:Fortran子例程，用于大规模有界约束优化。ACM数学软件汇刊（TOMS），23（4）：550-560（1997）·Zbl 0912.65057号 [41] Joshua M.Long：随机傅里叶特征Pytorch。github。注：https://github.com/jmclong/random-fourier-features-pytorch (2021) [42] 王，S。；Wang，H。；Perdikaris，P.，《关于傅里叶特征网络的特征向量偏差：从回归到用物理信息神经网络求解多尺度偏微分方程》，计算。方法应用。机械。工程，384（2021）·Zbl 1506.35130号 ·doi:10.1016/j.cma.2021.113938 [43] 查达，C。；阿布伊达，D。；Koric，S。；Guleryuz，E。；Jasiuk，I.，《优化超参数和深层能量方法的架构》。(2022) ·doi:10.20944/预印本202206.0414.v1 [44] Diab W、Abueidda、Seid、Koric、Rashid Abu、Al Rub、Corey M、Parrott、Kai A、James和Nahil A、Sobh：超弹性和粘弹性的深度学习能量方法。欧洲机械杂志-A/固体，95:104639（2022b）·Zbl 1490.74120号 [45] Vien Minh、Nguyen Thanh、Cosmin、Anitescu、Naif、Alajlan、Timon、Rabczuk和Xiaoying、Zhuang：考虑应变梯度效应的弹性参数深能方法。公司。方法应用。机械。工程386:114096（2021）·Zbl 1507.74571号 [46] 夏，L。；Breitkopf，P.，在matlab中使用拓扑优化和基于能量的均匀化方法进行材料设计，结构。多磁盘。最佳。，52, 6, 1229-1241 (2015) ·doi:10.1007/s00158-015-1294-0 [47] Rozvany，GIN，《结构拓扑优化既定方法的批判性评论》，Struct。多磁盘。最佳。，37, 3, 217-237 (2009) ·Zbl 1274.74004号 ·doi:10.1007/s00158-007-0217-0 [48] Zhang，Y。；肖，M。；李，H。；Gao，L.，在规定的初始材料布局下，使用基于能量的均匀化方法对材料微观结构进行拓扑优化，J.Mech。科学。技术。，33, 2, 677-693 (2019) ·doi:10.1007/s12206-019-0123-6 [49] Svanberg，K.，《移动渐近线方法——结构优化的新方法》，国际J·数值。方法。工程，24，2，359-373（1987）·Zbl 0602.73091号 ·doi:10.1002/nme.1620240207 [50] Tyler E，Bruns和Daniel A，Tortorelli：非线性弹性结构和柔顺机构的拓扑优化。公司。方法应用。机械。工程190（26-27）：3443-3459（2001）·Zbl 1014.74057号 [51] Adam、Paszke、Sam、Gross、Francisco、Massa、Adam、Lerer、James、Bradbury、Gregory、Chanan、Trevor、Killeen、Zeming、Lin、Natalia、Gimelshein、Luca、Antiga、Alban、Desmaison、Andreas、Kopf、Edward、Yang、Zachary、DeVito、Martin、Raison、Alykhan、Tejani、Sasank、Chilamkurthy、Benoit、Steiner、Lu Fang、Junjie、Bai和Soumith、Chintala。Pytorch：一个命令式、高性能的深度学习库。H.Wallach、H.Larochelle、A.Beygelzimer、F.d'Alché-Buc、E.Fox和R.Garnett，编辑，《神经信息处理系统进展》32，第8024-8035页。Curran Associates，Inc.（2019年）。统一资源定位地址http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf [52] Chandrasekhar，A。；Sridhara，S。；Suresh，K.，Auto:拓扑优化中自动区分的框架，Struct。多磁盘。最佳。，64, 6, 4355-4365 (2021) ·doi:10.1007/s00158-021-03025-8 [53] 用python编写的拓扑优化代码。https://www.topopt.mek.dtu.dk/Apps-and-software/Toptology-optimization-codes-writen-in-Python。访问时间：（2022）-06-25 [54] Erik、Andreassen、Anders Clausen、Mattias Schevenels、Boyan S Lazarov和Ole Sigmund：使用88行代码在matlab中进行高效拓扑优化。结构和多学科优化，43（1）：1-16（2011）·Zbl 1274.74310号 [55] SIMULIA公司。阿巴库斯（2020） [56] MATLAB软件。版本R2021a。马萨诸塞州纳蒂克市MathWorks公司（2021年） [57] Jeremy Yu、Lu Lu、Xuhui Meng和George Em。Karniadakis：用于正演和逆偏微分方程问题的梯度增强物理知情神经网络。公司。方法应用。机械。工程393:114823（2022）·Zbl 1507.65217号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。