科创中国

.一种基于卷积神经网络的材料结构拓扑优化方法，其特征在于，所述优化方法包括：S1：将U-Net中的编码器网络调整为MobileNet网络，以获得Mobile-U-Net卷积神经网络；S2：获取多种边界条件不同取值下的多个样本数据信息，将多个所述样本数据信息分别输入Ordered SIMP获得每一样本数据信息对应的拓扑结构的单元密度值；S3：将所述多种边界条件和单元密度值分别进行编码以与所述Mobile-U-Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配；

本发明属于结构优化相关技术领域，其公开了一种基于卷积神经网络的材料结构拓扑优化方法及系统，优化方法包括：将U‑Net中的编码器网络调整为MobileNet网络，以获得Mobile‑U‑Net卷积神经网络；获取多种边界条件的多个样本数据信息，将样本数据信息分别输入Ordered SIMP获得对应的拓扑结构的单元密度值；将所述多种边界条件和单元密度值分别进行编码以与所述Mobile‑U‑Net卷积神经网络的输入通道和输出通道的预设尺寸相匹配；采用边界条件和单元密度值对Mobile‑U‑Net卷积神经网络进行训练获得训练完成的Mobile‑U‑Net卷积神经网络；将待优化材料结构的边界条件输入训练完成的Mobile‑U‑Net卷积神经网络获得拓扑优化结构。本申请通过设计一种用于结构优化的卷积神经网络，实现可以考虑多种因素并且快捷高效的结构拓扑优化。

随着技术的发展，工程应用中对材料的性能要求越来越高，需要材料具有较好的力学性能，由于多相材料具有较好的性能，因此得到了广泛应用，因此为了更好的研究材料组成结构需要将材料的相数考虑在内。

现有的基于有限元分析的传统多相材料结构拓扑优化设计方法都是需要进行大量的数值迭代计算才能获得设计域内材料的最佳布局方式，这种计算效率低下的问题也被称为“维数诅咒”，即随着结构拓扑优化设计问题的参数数量和迭代次数稍有增加时，完成一次拓扑优化设计所需要的时间成本和内存消耗将显著增加。因此，亟需设计一种可以消除传统拓扑优化设计方法中耗时的有限元数值迭代计算过程，同时可以考虑多种因素、快速获得优化结构的方法。

华中科技大学（Huazhong University of Science and Technology），简称华中大、华科大 ，位于湖北省武汉市，是中华人民共和国教育部直属的综合性研究型全国重点大学、位列国家“双一流”“985工程”“211工程”、入选“强基计划”“111计划”、卓越工程师教育培养计划、卓越医生教育培养计划、国家大学生创新性实验计划、国家级大学生创新创业训练计划、国家建设高水平大学公派研究生项目、国家级新工科研究与实践项目、基础学科拔尖学生培养计划2.0，是学位授权自主审核单位、全国深化创新创业教育改革示范高校、一流网络安全学院建设示范项目高校、中国政府奖学金来华留学生接收院校、教育部来华留学示范基地，为中欧工程教育平台成员和医学“双一流”建设联盟 、国际应用科技开发协作网 、全球能源互联网大学联盟成员。

1.本发明设计了一种以MobileNet为提取特征的主干网络的Mobile-U-Net卷积神经网络模型，其中，MobileNet采用深度可分离卷积取代现有的普通卷积操作，极大地消减了网络参数量，减少了迭代更新次数，缩短了计算时间。

2.本发明自适应地调整实际学习率而避免了随机梯度下降法中学习率过大会错过局部最优点、产生震荡以及学习率过小会延误训练过程的弊端。

3.本发明由于采用L2损失函数，式中的平方项放大了真实标签和预测输出之间的距离，能够对偏离标签的输出结果给予很大的惩罚，从而加快网络的收敛过程，减少训练时间。

4.本发明由于使用镜像翻转策略，而使得采用基准方法生成的数据集只占用于训练神经网络数据集的一半，增加数据集多样性的同时消减了一半的数据收集时间。

5.本发明在网络完成训练之后可以无需任何有限元迭代步骤就能实时输出对应于初始结构设置信息的拓扑优化结构，快捷方便，边界条件可以根据实际需要进行设定。

6.本申请通过考虑初始位移、质量分数等因素的变化，所以可以实现对多相材料结构的拓扑优化，准确率有了极大的提升。

本专利成果采用技术转让，技术入股，技术合作等成果转化方式，希望进一步实现该专利的有益效果，有兴趣皆可面议。