一种增材制造零件结构拓扑优化方法和系统与流程

1.本发明涉及增材制造技术领域，特别涉及一种增材制造零件结构拓扑优化方法和系统。


背景技术：

2.近年来，结构拓扑优化方法及相关算法快速发展，不仅应用于传统的机械设计制造领域，还广泛应用于航空航天和海洋等高端工程制造领域。结构拓扑优化旨在寻求材料的最优分布方式，使得在给定约束下，达到结构的某种性能要求。对于结构的轻量化设计不仅可以有效的降低结构的重量，还可以提高结构的灵活性。增材制造也称为3d打印，与传统的减材制造方式不同，其将材料通过逐层堆叠积累的方式构造物体，可以根据最高效的传力路径实现结构的拓扑优化。目前，针对结构零件的优化，主要是基于有限元方法，通过分析单元结构的应力，来更新设计域内的材料分布情况。在不影响结构安全性能的前提下，将对结构贡献度小的单元删除，来达到对结构轻量化设计的目的。目前主要的结构优化方法包括：固体各向同性材料惩罚方法(simp)、双向渐进结构优化方法(beso)、可移动变形组件法(mmc)、水平集等方法。虽然上述研究成果显著提升了拓扑优化方法求解问题的计算效率和规模，但往往受限于拓扑优化迭代式求解的计算性质，使得拓扑优化方法整体效率的提升仍受到一定限制。


技术实现要素：

3.有鉴于此，本发明第一方面提供了一种增材制造零件结构拓扑优化方法，以解决现有技术中拓扑优化方法计算量大、计算效率低的技术问题。该方法包括：
4.根据待优化零件的工况信息定义不同工况的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；
5.根据所述评估函数建立评估模型；
6.构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；
7.如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。
8.进一步的，所述构建网络优化模型，包括：
9.建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；
10.根据所述单元更新情况和所述性能数据构建训练数据集；
11.基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，使用所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。进一步的，基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，包括：
12.在基于所述训练数据集对长短期记忆循环神经网络进行训练的过程中，基于反向
传播算法来训练所述长短期记忆循环神经网络，获得网络优化模型，其中，所述长短期记忆循环神经网络包括第一隐含层和第二隐含层。
13.进一步的，所述第一隐含层与所述第二隐含层的节点数均为25，分别采用relu激活函数、平均绝对误差mae和rmspropoptimizer进行所述网络优化模型的优化。
14.进一步的，基于所述训练数据集对所述长短期记忆循环神经网络进行训练时，训练参数设置为学习率0.001，样本数量1000。
15.进一步的，所述评估函数g(x,a,ρ)＝v(x)+ρ
×
ar(x)；ar(x)＝∑ai×ri
；
16.其中，v(x)为体积分数，r(x)为约束条件，ρ为惩罚力度，ar(x)为多工况下约束条件评估项，a为不同工况对应的权重系数，ai为第i个工况下的权重系数，ri为第i个工况下的约束条件。
17.本发明第二方面提供了一种增材制造零件结构拓扑优化系统，以解决现有技术中拓扑优化方法计算量大、计算效率低的技术问题。该系统包括：评估函数获取模块，用于根据待优化零件的工况信息定义不同工况的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；
18.评估模型构建模块，用于根据所述评估函数建立评估模型；
19.优化模型构建模块，用于构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；
20.零件结构优化模块，用于如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。
21.进一步的，所述优化模型构建模块，还用于建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；根据所述单元更新情况和所述性能数据构建训练数据集；基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，使用所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。
22.本发明第三方面还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的一种增材制造零件结构拓扑优化方法。
23.本发明第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的一种增材制造零件结构拓扑优化方法的计算机程序。
24.与现有技术相比，本说明书采用的上述至少一个技术方案能够达到的有益效果至少包括：提供了一种增材制造零件结构拓扑优化方法，通过构建新的评估函数，可以用于多工况的复杂零件的拓扑优化；通过将神经网络优化模型应用于跟踪拓扑优化的过程，使得拓扑优化结果更具可靠性，提高了拓扑优化有限元计算的效率，提升了计算速度，节约了成本。
附图说明
25.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
26.图1是本发明实施例提供的一种增材制造零件结构拓扑优化方法流程示意图；
27.图2为本发明实施例提供的一种增材制造零件结构拓扑优化方法结构示意图；
28.图3为本发明实施例提供的一种增材制造零件结构拓扑优化系统结构图；
29.图4是本发明实施例提供的一种计算机设备结构图。
30.图中附图标记：300、系统；310、评估函数获取模块；320、评估模型构建模块；330、优化模型构建模块；340、零件结构优化模块；401、存储器；402、处理器。
具体实施方式
31.下面结合附图对本技术实施例进行详细描述。
32.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.在本发明实施例中，提供了一种增材制造零件结构拓扑优化方法，该方法通过构建新的评估函数，可以用于多工况的复杂零件的拓扑优化；通过将神经网络优化模型应用于跟踪拓扑优化的过程，使得拓扑优化结果更具可靠性，提高了拓扑优化有限元计算的效率，提升了计算速度，节约了成本。
34.如图1和图2所示，本实施例提供的一种增材制造零件结构拓扑优化方法具体包括以下步骤：
35.步骤s100：根据待优化零件的工况信息定义不同工况的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；
36.具体的，根据待优化零件的工况信息，定义不同工况的权重系数和约束条件，建立评估函数(evaluation function)。评估函数用于度量模型的性能和表现，评估函数的选择取决于问题的类型和具体的评估要求。
37.本实施例中，定义评估函数为g(x,a,ρ)，
38.其中，g(x,a,ρ)＝v(x)+ρ
×
ar(x)；
39.(1)
40.ar(x)＝∑ai×ri
；
41.(2)
42.公式(1)和公式(2)中，v(x)为体积分数，r(x)为约束条件，ρ为惩罚力度，ar(x)为多工况下约束条件评估项，a为不同工况对应的权重系数，ai为第i个工况下的权重系数，ri为第i个工况下的约束条件。举例而言，若为单工况，则a＝1，r(x)为该工况约束下的目标函数。
43.步骤s200：根据所述评估函数建立评估模型；
44.具体而言，评估模型(model evaluation)，是指对机器学习模型进行全面的性能评估。在对模型进行评估的过程中，使用预定义的评估函数计算模型在测试集上的性能指
标，从而得出对模型的综合评估。所述评估函数和评估模型的构建均用于对网络优化模型可靠性的评估。首先，使用训练集对网络优化模型进行训练，并调整网络优化模型的参数和超参数。然后，使用测试集对训练好的网络优化模型进行评估，计算评估函数得到网络优化模型在未见过的数据上的性能指标。评估模型的目的是了解网络优化模型的泛化能力，即在未知数据上的预测能力。
45.步骤s300：构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；
46.进一步的，构建所述网络优化模型的过程包括：
47.步骤s310：建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；
48.步骤s320：根据所述单元更新情况和所述性能数据构建训练数据集；
49.步骤s330：基于所述训练数据集对长短期记忆循环神经网络进行训练，获得训练完成的所述网络优化模型，使用所述训练完成的所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。
50.具体而言，所述网络优化模型为基于神经网络的优化模型，本实施例中，优选的，选用lstm(long short-term memory，长短期记忆循环神经网络)网络优化模型对零件结构进行优化。在应用网络优化模型前，首先完成长短期记忆循环神经网络模型的训练和评估。首先建立经典复杂有限元模型进行零件结构的优化，并通过经典拓扑优化方法进行预设次数的迭代，获取多次迭代过程中待优化零件的单元更新情况和零件结构的性能数据。其中，单元更新情况包括更新动作、新结构；性能数据包括最大等效应力stress、最大位移disp、体积分数v等参数。获取上述数据之后，对各项数据进行标记，包括将更新动作标记为at、将新结构标记为ot、新结构的性能数据标记为f(x)，从而得到训练数据集{ot，at，f(x)}；将此数据集作为长短期记忆循环神经网络的训练数据对模型进行训练，获得最终的所述网络优化模型。
51.优选的，本实施例中，在对网络优化模型进行数据训练时，基于上述训练数据集，采取2层ann(人工神经网络)和反向传播算法来训练所述长短期记忆循环神经网络，获得网络优化模型。所述网络优化模型的第一隐含层与第二隐含层的节点数均为25，分别采用relu激活函数、平均绝对误差mae和rmspropoptimizer进行所述网络优化模型的优化；训练参数设置为学习率0.001，样本数量1000。所述网络优化模型的超参数值如下表1所示：
52.表1
[0053][0054]
其中，relu(rectified linear unit)激活函数是一种常用的非线性函数，常用于神经网络的隐含层和输出层；平均绝对误差(mean absolute error，mae)是一种常用的回归任务中的损失函数，用于衡量预测值与真实值之间的平均绝对差异；rmspropoptimizer是tensorflow中的一种优化器，用于训练神经网络模型。它是rmsprop(root mean square propagation)优化算法的一种实现。rmsprop优化算法旨在解决梯度下降算法中的一些问题，特别是学习率的选择和不同特征的收敛速度差异较大的情况。在梯度下降算法中，学习率是控制参数更新幅度的重要因素。但是，使用固定学习率可能导致收敛速度慢或震荡的问题。rmsprop优化算法通过自适应地调整学习率来解决这个问题。它使用指数加权平均来计算每个参数的梯度平方的移动平均值，并将其用于更新参数。具体来说，rmsprop使用一个衰减系数来控制过去梯度平方的权重，较大的衰减系数会减小过去梯度的影响，从而使更新更加平稳。
[0055]
获得训练完成的网络优化模型之后，使用网络优化模型进行零件结构的优化并输出零件结构，用评估模型对网络优化模型的输出信息进行评估，通过判断网络优化模型的输出信息是否满足评估函数中的约束条件，来判断网络优化模型是否达到预设可靠度。
[0056]
进一步的，在具体实施时，除了将是否满足评估函数作为评估网络优化模型可靠度评估影响因素之外，还可增加输出信息中满足约束条件的可靠结构占比等因素作为网络优化模型可靠度评估影响因素。
[0057]
步骤s400：如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。
[0058]
具体而言，如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化。网络优化模型进行结构优化的过程包括：获取更新后模型特征状态(s)，记忆特征状态(h)，产生更新方案(a)，更新记忆特征状态(h)；将上述参数输入初始的网络优化模型，经过网络优化模型的快速计算，得到更新方案a和新结构的性
能数据，并将更新后的特征状态作为下一次输入，经过lstm网络优化模型的更新迭代，得到最终满足损失函数loss＝gt的新结构并输出，输出的新结构即所述优化结构。通过利用长短期记忆的网络优化模型对长期与短期记忆的敏感性，得到能理解长期与短期记忆的输出结构，最终完成对增材制造零件结构的更新。
[0059]
基于同一发明构思，本发明实施例中还提供了一种增材制造零件结构拓扑优化系统，如下面的实施例所述。由于一种增材制造零件结构拓扑优化系统解决问题的原理与一种增材制造零件结构拓扑优化方法相似，因此一种增材制造零件结构拓扑优化系统的实施可以参见一种增材制造零件结构拓扑优化方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0060]
图3是本发明实施例的一种增材制造零件结构拓扑优化系统300的一种结构框图，如图3所示，包括：评估函数获取模块310，用于根据待优化零件的工况信息定义不同工况的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；评估模型构建模块320，用于根据所述评估函数建立评估模型；优化模型构建模块330，用于构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；零件结构优化模块340，用于如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。
[0061]
进一步的，所述优化模型构建模块330，还用于建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；根据所述单元更新情况和所述性能数据构建训练数据集；基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，使用所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。
[0062]
在本实施例中，提供了一种计算机设备，如图4所示，包括存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序，所述处理器402执行所述计算机程序时实现上述任意的一种增材制造零件结构拓扑优化方法。
[0063]
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
[0064]
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的一种增材制造零件结构拓扑优化方法的计算机程序。
[0065]
具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0066]
本发明实施例实现了如下技术效果：
[0067]
1、本发明构建了新的评估函数，可以用于多工况的复杂零件的拓扑优化应用中，较传统单一工况的结果更具工程意义；
[0068]
2、本发明提出lstm网络优化模型，通过构建的代理模型基于大量的经典拓扑优化方法计算所得的数据，跟踪拓扑优化的过程，其结果更具可靠性；
[0069]
3、本发明中相对于经典的拓扑优化方法具有计算速度快的有点，特别对于大型复杂零件，避免了复杂的有限元计算，节约了成本。
[0070]
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
[0071]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种增材制造零件结构拓扑优化方法，其特征在于，包括：根据待优化零件的工况信息定义不同工况下的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；根据所述评估函数建立评估模型；构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。2.根据权利要求1所述的一种增材制造零件结构拓扑优化方法，其特征在于，所述构建网络优化模型，包括：建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；根据所述单元更新情况和所述性能数据构建训练数据集；基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，使用所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。3.根据权利要求2所述的一种增材制造零件结构拓扑优化方法，其特征在于，基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，包括：在基于所述训练数据集对长短期记忆循环神经网络进行训练的过程中，基于反向传播算法来训练所述长短期记忆循环神经网络，获得网络优化模型，其中，所述长短期记忆循环神经网络包括第一隐含层和第二隐含层。4.根据权利要求3所述的一种增材制造零件结构拓扑优化方法，其特征在于，所述第一隐含层与所述第二隐含层的节点数均为25，分别采用relu激活函数、平均绝对误差mae和rmspropoptimizer进行所述网络优化模型的优化。5.根据权利要求4所述的一种增材制造零件结构拓扑优化方法，其特征在于，所述基于所述训练数据集对所述长短期记忆循环神经网络进行训练时，训练参数设置为学习率0.001，样本数量1000。6.根据权利要求1至5中任一项所述的一种增材制造零件结构拓扑优化方法，其特征在于，所述评估函数g(x,a,ρ)＝v(x)+ρ
×
ar(x)；ar(x)＝∑a
i
×
r
i
；其中，v(x)为体积分数，r(x)为约束条件，ρ为惩罚力度，ar(x)为多工况下约束条件评估项，a为不同工况对应的权重系数，a
i
为第i个工况下的权重系数，r
i
为第i个工况下的约束条件。7.一种增材制造零件结构拓扑优化系统，其特征在于，包括：评估函数获取模块，用于根据待优化零件的工况信息定义不同工况的权重系数和约束条件，根据所述权重系数和所述约束条件确定评估函数；评估模型构建模块，用于根据所述评估函数建立评估模型；优化模型构建模块，用于构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；零件结构优化模块，用于如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。
8.根据权利要求7所述的一种增材制造零件结构拓扑优化系统，其特征在于，所述优化模型构建模块，还用于建立零件结构有限元模型，使用所述零件结构有限元模型对所述待优化零件进行预设次数的迭代，获得迭代过程中所述待优化零件的单元更新情况和性能数据；根据所述单元更新情况和所述性能数据构建训练数据集；基于所述训练数据集对长短期记忆循环神经网络进行训练，获得所述网络优化模型，使用所述网络优化模型对所述待优化零件进行优化，获得所述输出信息。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的一种增材制造零件结构拓扑优化方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6中任一项所述的一种增材制造零件结构拓扑优化方法的计算机程序。

技术总结
本发明提供了一种增材制造零件结构拓扑优化方法和系统，涉及增材制造技术领域，所述方法包括：根据待优化零件的工况信息确定评估函数，建立评估模型；构建网络优化模型，使用所述评估模型对所述网络优化模型的输出信息进行评估，判断所述网络优化模型是否达到预设可靠度；如果所述网络优化模型达到所述预设可靠度，使用所述网络优化模型对所述待优化零件的结构进行优化，获得优化结构。解决了现有技术中拓扑优化方法计算量大、计算效率低的技术问题，使得拓扑优化结果更具可靠性，提高了拓扑优化有限元计算的效率，提升了计算速度，节约了成本。了成本。了成本。


技术研发人员：田凯 王忠 姜仕林 乔雷 李湉 张万虎 刘威 刘佳辉
受保护的技术使用者：中国航发成都发动机有限公司
技术研发日：2023.06.21
技术公布日：2023/9/7