eCNNTO：一种用于加速拓扑优化的高泛化性卷积神经网络

背景

拓扑优化（Topology Optimization, TO）是一种在给定设计域内，根据载荷和边界条件寻找最优材料分布的数学方法。其中，基于密度的拓扑优化方法因其实现简便且能生成复杂结构而广泛应用。然而，该方法通常面临巨大的计算瓶颈：为了获得高分辨率的设计结果，往往需要使用密集的有限元网格，而每一次迭代都需要执行有限元分析（Finite Element Analysis, FEA）。这种迭代过程极其耗时，严重限制了其在工程实践中的效率。

为了解决这一效率问题，研究人员开始探索利用深度学习来加速优化过程。早期的尝试如 Kallioras 等人（2020）提出的方法，使用深度信念网络（Deep Belief Network, DBN）针对每个单元进行训练，通过预测单元在早期历史中的近优密度，从而跳过大部分迭代步骤。尽管这种方法显著加快了优化速度，但它存在两个主要缺陷：一是忽略了相邻单元之间的空间相关性，导致最终结构可能出现不连通的特征；二是其泛化能力有限，难以适应不同边界条件或载荷情况的变化。

核心内容

针对上述局限性，本文提出了一种基于单元的卷积神经网络（Convolutional Neural Network, CNN），命名为 eCNNTO，旨在加速基于密度的拓扑优化过程。

1. 架构改进：引入 CNN 与残差连接

eCNNTO 的核心创新在于采用了卷积神经网络架构，并引入了残差连接（Residual Connections）。与之前使用 DBN 的方法不同，CNN 能够有效地捕捉相邻单元之间的空间相关性。这一改进不仅解决了之前方法中出现的结构不连通问题，还使得网络能够更准确地预测局部材料分布，从而生成更合理、更连贯的最终结构。

2. 训练策略创新：基于最终阶段密度历史

为了进一步提升优化效率并减少所需训练数据量，eCNNTO 提出了一种新颖的训练策略。传统的训练方法通常使用优化早期的密度历史数据，而 eCNNTO 的训练数据集由最终阶段的密度历史组成。这种数据选择策略的优势在于：

• 减少数据需求：相比早期历史数据，最终阶段的数据更能反映优化的收敛趋势，从而降低了训练所需的数据规模。
• 加速收敛：利用最终阶段的信息进行训练，有助于模型更快地学习到从当前状态到最优解的路径。

3. 高泛化性表现

eCNNTO 展示了极强的泛化能力。尽管它只需要较小的数据集进行训练，但能够很好地推广到具有显著差异的问题场景中，包括：

• 不同的边界条件
• 不同的载荷情况
• 不同的设计域几何形状
• 不同的网格分辨率
• 非设计域的变化

4. 实验验证与性能提升

通过在二维和三维多种案例中的实验验证，eCNNTO 证明了其有效性和高效性。结果显示，该方法能够显著减少优化迭代次数：

• 在二维问题中，迭代次数减少了高达 90%。
• 在三维问题中，迭代次数减少了高达 97%。

关键要点

• 方法名称：eCNNTO（Element-based Convolutional Neural Network for Topology Optimization）。
• 核心架构：基于单元的 CNN，结合残差连接，以捕捉相邻单元间的空间相关性，解决结构不连通问题。
• 训练数据策略：使用优化过程的最终阶段密度历史作为训练数据，而非早期历史，从而减少所需训练数据量并提高效率。
• 泛化能力：具备高度泛化性，适用于不同的边界条件、载荷、几何形状、网格分辨率及非设计域，无需针对每个新问题重新训练。
• 效率提升：
  • 二维案例：迭代次数减少高达 90%。
  • 三维案例：迭代次数减少高达 97%。
• 解决的问题：克服了传统基于密度的拓扑优化中因密集网格和多次有限元分析导致的效率瓶颈，以及早期深度学习模型缺乏空间关联性和泛化能力差的问题。

意义与影响

eCNNTO 的提出为拓扑优化的计算效率带来了显著突破。通过引入 CNN 架构和创新的训练策略，该方法不仅解决了结构连通性问题，还大幅降低了计算成本，使得高分辨率拓扑优化在工程应用中变得更加可行。其高度泛化的特性意味着工程师可以在不同场景下复用同一模型，无需为每个新问题投入大量的训练时间和数据资源。

这项工作展示了深度学习在科学计算和工程优化领域的巨大潜力，特别是在处理具有空间相关性和复杂边界条件的问题时。eCNNTO 的成功实践为后续研究提供了新的思路，即如何通过改进网络架构和数据策略，在保持高精度的同时实现计算效率的质的飞跃。这对于加速产品设计、减轻结构重量以及优化材料使用具有重要的实际应用价值。