基于一致性机器学习的拓扑优化与微结构依赖神经网络材料模型
内容提要
本研究提出了一种新型拓扑优化方法DCPINN-TO，结合卷积神经网络和物理信息神经网络，有效解决最大刚度问题。通过动态配置和活跃采样策略，该方法在多个验证中显示出高效性。此外，研究探讨了神经隐式拓扑优化和图神经网络在材料优化中的应用，显著提高了计算效率和准确性，展示了深度学习在工程设计中的潜力。
延伸解读
物理信息神经网络在拓扑优化中的优势
文章指出，物理信息神经网络（PINN）在解决前向问题时能避免产生大量数据，并提供更好的推断。DCPINN-TO方法通过动态配置可训练参数和活跃采样策略，选择性采样对位插值点，从而在多个验证例子和多载荷、多约束问题中展现出高效性和有效性。与基于有限元分析的拓扑优化方法相比，DCPINN-TO在位移预测准确性和优化结果准确性上均表现良好，表明该方法在解决最大刚度问题上具有潜力。
神经隐式拓扑优化的效率突破
神经隐式拓扑优化（NITO）框架具有分辨率自由和领域不可知的解决方案，在十分之一的时间内比最新的扩散模型具有最多七倍的结构效率，且模型体积小一个数量级。NITO引入边界点无序多层感知器（BPOM）表示边界条件，使得单个模型能训练和生成无数领域的解决方案，甚至在某些任务中优于最新模型，为高分辨率实际训练和工程设计优化带来新可能。
图神经网络加速多尺度模拟的物理融合
针对并行多尺度模拟计算成本高的问题，研究采用图神经网络（GNN）预测完全场微观应变，并保留微观本构材料模型以获得应力。这种基于数据和物理的图方法避免了预测完全场响应的高维度，允许非局部性产生。GNN能泛化到未见过的网格，使单个模型适用于一系列微结构，并隐式跟踪历史依赖变量，提高准确性。计算时间与微结构元素数量呈良好缩放规律，显著加速FE2模拟。
基于物理的训练提升未知微结构预测准确性
文章强调，基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。例如，在微机械学中，参数化学习力学平衡解的方法在计算成本上优于传统方法，同时保持可接受的准确性。此外，通过引入在神经元级别强制施加材料对称性的新方法，扩展了智能本构法的能力，利用基于张量的特征有效表示对称操作，在数据有限且存在强对称性的情况下优于传统神经网络。
Q&A
DCPINN-TO方法的主要特点是什么？
DCPINN-TO方法结合卷积神经网络和物理信息神经网络，通过动态配置可训练参数和活跃采样策略，解决最大刚度问题。
神经隐式拓扑优化（NITO）有什么优势？
NITO具有分辨率自由和领域不可知的解决方案，能在更短时间内提供更高的结构效率，且模型体积更小。
图神经网络在材料优化中的应用是什么？
图神经网络用于预测微观应变，结合物理模型提高计算效率和准确性，显著加速FE2模拟。
基于物理的训练方法与数据驱动方法相比有什么优势？
基于物理的训练方法在未知微结构上比纯数据驱动方法具有更高的准确性。
DCPINN-TO方法的验证结果如何？
DCPINN-TO方法经过多个验证例子，显示出高效性和有效性，位移预测准确性优于基于有限元分析的方法。
如何利用机器学习优化材料结构？
通过结合多尺度方法和机器学习技术，可以有效优化材料结构以获得期望性能，减轻计算负担。
