关于在拓扑优化中使用人工神经网络
摘要：人工智能方法如何改进常规拓扑优化框架的问题，在过去几年中受到越来越多的关注。受到神经网络在图像分析中的能力的启发，提出了不同的模型变体，旨在实现无迭代拓扑优化，但成功程度各不相同。其他工作集中于通过替换昂贵的优化器和状态求解器，或者减少设计空间来加速优化，但尚未引起同样的关注。这个领域的文章组合变得广泛，但很少有真正的突破被庆祝。文献中的一个总体趋势是对人工智能的"魔力"有很强的信任，因此对这些方法的能力存在误解。因此，本文的目的是对这一领域的当前研究状态进行批判性综述。为此，提供了对不同模型应用的综述，并努力找出缺乏令人信服的成功的原因。通过细致的分析，识别和区分现有模型的问题和有前景的方面。最终的研究结果用于详细介绍相信能够鼓励潜在科学进展的建议，以促进进一步的研究。
作者：Rebekka V. Woldseth, Niels Aage, J. Andreas B{ae}rentzen and Ole Sigmund
论文ID：2208.02563
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2022-10-14