类Gyroid的超材料：拓扑优化与深度学习
摘要：三重周期最小曲面（TPMS）超材料具有由数学控制的拓扑结构，相比于均匀结构具有更好的机械性能。这种超材料的单元胞拓扑结构可以进一步优化，以改善特定应用的所需机械性能。然而，这种反向设计涉及到多个昂贵的三维有限元分析，在拓扑优化中尚未尝试。数据驱动模型最近在超材料的几何设计中作为替代模型越来越受欢迎。使用一种新的体素算法、基于均质化的拓扑优化和海维赛德滤波器设计了类似于吉罗伊德的单元胞，以达到优化的0-1配置密度。少量的优化数据作为输入输出，通过3D卷积神经网络模型对拓扑优化过程进行有监督学习。这些模型可以即时预测任何拓扑参数的优化单元胞几何形状，从而减少了未来设计中运行任何拓扑优化的需求。通过低均方误差度量和高Dice系数度量，证明了模型的高准确性。这种加速的三维超材料设计打开了设计涉及复杂超材料几何形状的计算问题、具有多目标性质或多尺度应用的可能性。
作者：Asha Viswanath, Diab W Abueidda, Mohamad Modrek, Kamran A Khan, Seid Koric, Rashid K. Abu Al-Rub
论文ID：2303.10007
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-03-20