一种采用嵌入式自改进神经网络的多功能拓扑优化框架

《Engineering Applications of Artificial Intelligence》：Versatile topology optimization framework using embedded self-improving neural network

本文提出卷积神经网络嵌入拓扑优化框架（CNN-TO），通过自适应切换有限元推导与CNN预测，逐步提升预测能力并显著降低计算成本。在热传递和流体力学领域验证，相比传统方法减少50%迭代步骤，同时优化潜力增强。

　　拓扑优化（Topology Optimization, TO）作为结构优化领域的重要工具，其应用范围广泛且技术成熟。然而，传统的TO方法在计算过程中需要大量依赖有限元方法（Finite Element Method, FEM）进行状态变量的求解，这一过程往往伴随着较高的计算成本。随着计算科学的快速发展和数据量的激增，机器学习技术，尤其是深度学习，已经取得了显著的进展。在此背景下，将机器学习技术引入拓扑优化领域，成为提升其效率和性能的重要方向。

本文提出了一种创新性的方法，即卷积神经网络嵌入拓扑优化框架（Convolutional Neural Network Embedded Topology Optimization, CNN-TO）。该方法的核心在于将卷积神经网络（Convolutional Neural Network, CNN）嵌入到传统的拓扑优化流程中，使CNN能够学习FEM的求解过程，并根据当前生成数据的质量，自主决定何时进行预测以及何时回归FEM计算。这种自适应学习机制使得CNN-TO在优化过程中不断改进预测能力，从而显著降低计算成本。此外，CNN的预测误差在一定程度上有助于探索更优的优化路径，进而获得更小的目标函数值。

拓扑优化的应用可以追溯到20世纪末，其理论基础和算法体系已经经历了长期的发展。Bends?e等人在1988年提出了用于线弹性结构最小刚度设计的均质化方法，将宏观结构优化问题转化为微观材料分布问题。此后，Zhuang等人在2007年提出了一种基于水平集方法的热沉最小温度梯度设计方案，并实现了多热载荷条件下的二元TO优化。Yaji等人在2016年进一步应用了格子玻尔兹曼方法（Lattice Boltzmann Method, LBM），用于流道中的最小压降和最大热交换设计，通过离散速度玻尔兹曼方程简化了数值计算过程。

随着算法的不断演进，TO方法逐渐引入了遗传算法、相场方法、梯度基于的ON/OFF方法、材料场级数展开方法等。这些方法在多个工程领域中得到了应用，如光子学、电化学、电磁学等。尽管这些方法在提升TO性能方面取得了一定成果，但由于其依赖于FEM的迭代计算，整体效率仍受到较大限制。尤其是在涉及非线性问题的TO优化中，如牛顿流和热流体问题，FEM的求解过程成为计算成本的主要来源。而在实际应用中，如电子设备的热管理、流体装置优化、航空航天热结构设计等，由于需要处理大规模且高保真的模型，这种计算负担尤为突出。

为了应对上述挑战，研究者们开始探索将机器学习技术直接嵌入到TO优化流程中，以构建更具通用性和鲁棒性的框架。Chi等人在2021年提出了一种基于深度神经网络（Deep Neural Network, DNN）的在线TO框架，他们通过当前TO过程中生成的数据集训练DNN模型，并在每个迭代步骤中使用该模型的预测结果替代传统计算步骤。这种方法的结果与传统TO方法几乎一致，同时显著降低了计算成本。Zhang等人则提出了一种基于CNN的TO框架，他们利用CNN自身的强大自动微分能力，替代传统梯度驱动的设计变量更新过程。虽然这种方法实现了稳定的优化收敛，但计算成本并未明显降低。

此外，Zhang等人还提出了一种自适应神经网络，用于增强TO优化的潜力。通过动态生成训练数据并进行概率探索，该方法在某些线性TO问题中实现了约4.08%的性能提升，但对计算效率的提升并不显著。这些研究表明，尽管机器学习技术在TO优化中展现出一定的潜力，但在实际应用中仍面临两个主要问题：首先，大多数研究集中在最小刚度优化，如悬臂梁和热沉的设计，而对非线性问题的优化，如牛顿流和热流体问题，仍需进一步探索；其次，由于设计变量在TO迭代后期的变化较小，机器学习技术的引入并未显著提升优化效率。

为了解决这些问题，本文提出了一种无需离线训练的机器学习技术，即CNN-TO框架。该框架的核心在于将CNN嵌入到传统的TO流程中，使CNN能够学习FEM的求解过程，并根据当前数据的质量，自主决定是否进行预测以及何时切换回FEM计算。这种自适应切换机制使得CNN-TO在优化过程中能够不断优化预测能力，从而显著提升计算效率。为了验证CNN-TO的通用性和鲁棒性，本文分别将其应用于热传导、流体力学和热-流体耦合问题中。在这些案例中，CNN-TO均实现了更少的迭代步骤和更高的优化潜力，相较于传统方法表现出显著的优势。

CNN-TO框架的工作原理如图1所示。在传统TO方法中，每个迭代步骤都需要运行FEM求解过程，以计算目标函数和灵敏度，进而更新设计变量。这种方法的目标函数值在迭代过程中单调下降，呈现出稳定的收敛趋势。而在CNN-TO框架中，设计变量和灵敏度被用作CNN模型的输入和输出，通过自适应切换机制，CNN模型能够替代部分FEM计算，从而减少计算成本。CNN模型的预测误差被用来判断何时切换回FEM计算，以确保优化结果的准确性。

在热传导问题中，稳态热传导问题是一个经典的线性TO案例，源于结构设计。本文研究了在最大体积约束下，设计一个高导热路径以连接固定的热沉。目标函数C?可以表示为热势能的最小化，即通过温度场和热导率矩阵计算得到的总热能。通过CNN-TO方法，目标函数的收敛速度得到了显著提升，所需的迭代步骤减少，同时优化潜力也有所增强。

在流体力学问题中，非线性问题的优化对计算效率提出了更高的要求。传统方法在处理此类问题时，往往需要大量的FEM计算，以求解状态变量。而CNN-TO方法通过引入自适应学习机制，能够在减少计算步骤的同时，提高优化精度。此外，在热-流体耦合问题中，由于涉及温度场和流场的相互作用，传统的FEM计算过程更加复杂。CNN-TO方法通过动态切换机制，能够有效处理这种耦合问题，从而提升整体优化效率。

本文的主要贡献包括以下几个方面：首先，提出了一种CNN-TO框架，其中自适应CNN模型部分替代了FEM求解过程；其次，引入了一种基于误差驱动的切换机制，使CNN-TO能够在优化过程中动态地切换FEM计算和CNN预测；最后，该方法在不同问题中均实现了优化潜力的提升和计算效率的改善。为了验证这些贡献，本文在多个代表性问题中进行了实验，包括线性热传导问题、非线性流体力学问题和热-流体耦合问题。

在实验过程中，CNN-TO框架被应用于更高分辨率（256×256）的热传导问题中。所有边界条件和框架相关的超参数均与第4.1节中的实验保持一致。如图7所示，传统TO方法需要82个迭代步骤才能达到收敛，目标函数值降低至15.17%。而CNN-TO方法仅需69个迭代步骤，其中只有33个步骤依赖FEM计算，其余步骤由CNN预测完成。这表明，CNN-TO方法在计算效率方面具有显著优势。

此外，本文还研究了CNN-TO框架在不同问题中的鲁棒性和性能表现。通过对比实验，CNN-TO方法在多个案例中均实现了更快的收敛速度和更优的优化结果。同时，该方法在处理大规模和高保真模型时，表现出更强的适应能力。这些结果表明，CNN-TO方法不仅在计算效率方面有所提升，而且在优化潜力方面也展现出良好的表现。

为了进一步验证CNN-TO框架的性能，本文对不同问题进行了详细分析。在热传导问题中，CNN-TO方法能够快速找到最优的导热路径，同时减少计算步骤。在流体力学问题中，CNN-TO方法通过预测流场和压力场的分布，实现了更高效的优化过程。在热-流体耦合问题中，CNN-TO方法能够有效处理温度场和流场之间的相互作用，从而提升整体优化效率。这些实验结果表明，CNN-TO方法在多个工程领域中均具有广泛的应用前景。

在实验过程中，CNN-TO框架的鲁棒性得到了充分验证。无论是在线性还是非线性问题中，该方法均能够稳定地进行优化，并在不同情况下保持较高的预测精度。此外，该方法在处理大规模模型时，表现出良好的适应性和计算效率。通过动态切换机制，CNN-TO能够在不同阶段选择最优的计算方式，从而实现更高效的优化过程。

为了确保实验的准确性，本文对所有实验数据进行了详细分析。在热传导问题中，CNN-TO方法在不同网格分辨率下均能够实现优化收敛，并且在高分辨率网格下表现出更高的计算效率。在流体力学问题中，CNN-TO方法能够快速预测流场和压力场的分布，并在不同边界条件下保持较高的优化精度。在热-流体耦合问题中，CNN-TO方法能够有效处理温度场和流场之间的相互作用，并在不同载荷条件下实现更优的优化结果。

此外，本文还对CNN-TO框架的误差分析进行了深入探讨。通过对比实验，CNN-TO方法的预测误差在优化过程中被有效控制，并且在不同阶段能够动态调整计算方式，以确保优化结果的准确性。这些误差分析结果表明，CNN-TO方法在优化过程中能够保持较高的预测精度，同时在计算效率方面具有显著优势。

本文的研究结果表明，CNN-TO方法在多个工程领域中均具有广泛的应用前景。无论是线性还是非线性问题，该方法均能够实现更快的收敛速度和更优的优化结果。此外，该方法在处理大规模和高保真模型时，表现出良好的适应性和计算效率。这些优势使得CNN-TO方法成为传统TO方法的有力替代方案。

在实验过程中，本文还对CNN-TO框架的性能进行了基准测试。通过对比传统TO方法，CNN-TO方法在多个案例中均实现了更高的计算效率和更优的优化结果。这些基准测试结果表明，CNN-TO方法在优化过程中能够有效减少计算步骤，并提高预测精度。同时，该方法在不同边界条件下均能够保持较高的优化潜力。

为了进一步验证CNN-TO方法的性能，本文对不同问题进行了详细分析。在热传导问题中，CNN-TO方法能够快速找到最优的导热路径，并在不同网格分辨率下保持较高的计算效率。在流体力学问题中，CNN-TO方法能够有效预测流场和压力场的分布，并在不同边界条件下实现更优的优化结果。在热-流体耦合问题中，CNN-TO方法能够处理温度场和流场之间的相互作用，并在不同载荷条件下实现更优的优化潜力。

此外，本文还对CNN-TO框架的鲁棒性进行了深入分析。通过对比实验，CNN-TO方法在不同问题中均能够保持较高的预测精度，并在不同边界条件下实现稳定的优化收敛。这些分析结果表明，CNN-TO方法在优化过程中能够有效减少计算步骤，并提高预测精度。同时，该方法在处理大规模和高保真模型时，表现出良好的适应性和计算效率。

在实验过程中，本文还对CNN-TO框架的性能进行了深入探讨。通过对比实验，CNN-TO方法在多个案例中均实现了更高的计算效率和更优的优化结果。这些结果表明，CNN-TO方法在优化过程中能够有效减少计算步骤，并提高预测精度。同时，该方法在不同边界条件下均能够保持较高的优化潜力。

综上所述，本文提出了一种基于卷积神经网络的拓扑优化框架（CNN-TO），该方法能够有效提升计算效率和优化潜力。通过引入自适应学习机制和误差驱动的切换策略，CNN-TO能够在不同问题中实现更高效的优化过程。实验结果表明，该方法在多个工程领域中均具有广泛和良好的应用前景。本文的研究不仅为拓扑优化领域提供了新的思路，也为机器学习技术在工程优化中的应用提供了有力支持。