RBF-PoroNet:一种基于自适应RBF神经网络的微分隐式框架,用于自动化优化多孔结构

《Additive Manufacturing》:RBF-PoroNet: A differentiable implicit framework for automated optimization of porous structures via a self-adaptive RBF neural network

【字体: 大 中 小 】 时间:2026年04月24日 来源:Additive Manufacturing 11.1

编辑推荐:

  基于自适应径向基函数神经网络的TPMS多孔结构优化框架提出并验证

  
杜浩|王胜发|杜亮|江宇|胡江北|罗中轩|雷娜
中国大连工业大学

摘要

三重周期性极小曲面(TPMSs)近年来作为设计多孔结构的有效模板而受到关注,在多种应用中展现出巨大潜力。然而,这些复杂结构的自动化和高效优化设计仍是一个重大挑战。为了解决这个问题,我们提出了一种用于TPMS基多孔结构建模和优化的完全可微分方法。该框架RBF-PoroNet引入了一种自适应径向基函数(RBF)神经网络(SA-RBFNN)用于隐式多尺度建模。SA-RBFNN能够动态自动优化RBF神经元的参数,包括中心位置、影响半径和权重。这提供了更好的局部控制能力,使神经网络能够适应物理场,并有效优化局部拓扑(孔隙率)和几何(厚度)特性。此外,还结合了一种剪枝和种子策略来动态管理RBF神经元的分布,从而增强了网络的表征能力。关键的是,这种参数化设计方法是完全隐式的且可微分的。通过利用SA-RBFNN的自动微分(AutoDiff)功能,可以直接计算目标和约束函数的敏感性信息,无需手动进行显式导数计算。这不仅实现了完全自动化的设计优化工作流程,还使得该框架能够轻松扩展到复杂的多目标和多约束物理问题。通过包括结构和热合规性最小化以及多物理场问题在内的广泛数值实验,验证了所提出框架的有效性和鲁棒性。

引言

使用三重周期性极小曲面(TPMSs)设计多孔结构引起了广泛的研究兴趣,因为它们具有平滑性、连通性等优越特性。TPMSs是一类在每一点上曲率均为零且具有三维周期性的极小曲面,这些曲面由数学函数精确定义[1]、[2]、[3]。这种函数表示方式允许直接通过参数控制它们的几何和拓扑特性。因此,计算方法已被广泛用于实现适用于多种应用的最佳TPMS基多孔结构设计[4]、[5]、[6]、[7]、[8]。如图1所示,这些研究根据其操作尺度分为两大类:全局多尺度设计和局部单元设计。此外,表1根据相关研究的优化方法、适用问题领域以及所得多孔结构的可控特性对它们进行了分类。
全局多尺度设计涉及在整个结构域定义一个TPMS函数,然后优化其参数以生成具有连续变化特性的多尺度多孔结构。Yoo等人在这方面进行了大量基础性工作[10]、[17]、[18]。他们的贡献包括TPMS基多孔结构的显式和隐式建模、具有连续变化孔隙率和厚度的多尺度多孔结构的设计,以及在不同TPMS类型之间实现连续过渡的设计。然而,这些方法缺乏目标驱动的优化。后续研究主要集中在控制和优化TPMS参数(例如孔隙率、厚度和类型),以满足机械[9]、[12]、[19]、[20]、[21]、热[11]、[22]、[23]和生物[24]应用中的性能要求。Yan等人[19]、[22]采用的启发式方法未能实现完全优化的解决方案。Hu等人[9]首先使用RBFs定义了一个连续场来控制TPMS结构的孔隙率和厚度,然后使用基于目标和约束函数的梯度数值方法优化RBF神经元的权重。该框架后来被用于散热器多孔结构的设计[23]。然而,这些方法的有效性受到传统RBF插值固有限制的约束,其中基函数的数量和它们的形状参数是固定的。
局部单元设计在单个单元胞内定义TPMS函数,然后通过铺设这些单元来构建全局多孔结构,并分别调整其参数以满足局部要求。这种方法通常依赖于均质化技术[32]、[33]进行整个结构的优化,其中每个单元的有效物理特性是通过代表性体积元素(RVE)分析确定的。然而,大多数方法仅限于优化壳层厚度[14]、[16]、[25]、[26]、[27],因为建立其他属性(例如孔隙率)与均质化响应之间的关联具有高度非线性关系而具有挑战性。Li等人[25]通过控制TPMS单元胞的壁厚度来优化其相对密度,以提高结构性能或热导率。另一类方法涉及选择和组装不同的TPMS类型来调整局部结构特性[13]、[15]、[28]、[29]、[30]、[31]、[34]、[35]。Xu等人[30]采用了空间变化的TPMS策略,优化不同TPMS类型的选择和混合,同时控制壁厚度以确保可制造性并增强结构性能。此外,局部单元设计方法已被扩展用于创建新型的TPMS类似建筑单元,从而进一步提高性能和优化[26]、[34]。尽管局部单元设计方法可以对局部结构特性进行精确控制,但它面临着确保相邻单元之间连续性的重大挑战。因此,本研究重点关注全局多尺度设计方法,利用神经网络实现更好的局部控制和表征能力。
人工智能(AI)和深度学习的最新进展促进了TPMS基多孔结构设计的新方法。对于全局多尺度设计,Lu等人[36]设计了一种用于换热器应用的TPMS基结构,并使用神经网络优化其流道。在局部单元设计中,神经网络已被应用于预测单元特性[37]、探索具有多样拓扑和几何特性的新型孔隙类型[34]、[38],以及建立结构-特性关系以促进逆向设计[39]。受到神经网络的表征能力和AutoDiff功能的启发,本研究提出了一种新的多孔结构设计框架。它使用径向基函数神经网络(RBFNN)在全局多尺度设计方法中实现精确的局部特性控制。RBFNN因其对分散数据的优越插值和逼近能力而受到重视[40]、[41]。已经证明,只要有足够的隐藏单元,它们可以逼近任何连续函数[42]。适应性一直是提高RBFNN表征能力的关键焦点。例如,Han等人[43]提出了一种具有加速二阶学习算法的自组织RBFNN,以自动调整隐藏单元并加速收敛。Chen等人[44]引入了NeuRBF,它使用动态自适应的径向基函数进行神经场表示,允许局部调整函数的形状和尺度。然而,将RBFNN应用于多孔结构设计仍然具有挑战性,因为这项任务对RBF神经元的分布和形状参数非常敏感,这些参数直接决定了最终的结构特性和性能。
本研究提出了一种自适应RBFNN(SA-RBFNN),用于TPMS基多孔结构的隐式设计。SA-RBFNN通过动态优化每个RBF神经元的中心位置、影响半径和权重,实现对结构拓扑(孔隙率)和几何(厚度)特性的精确局部控制。此外,还引入了一种创新的剪枝和种子机制,根据主导的物理响应动态重新分配RBF神经元。这细化了多孔结构特性的布局,从而提高了整体性能。基于所提出的SA-RBFNN,本研究提供了一个统一的框架(图2),该框架集成了建模和仿真,允许根据需求自动优化多孔结构。作为一个可微分的隐式框架,它绕过了有限元分析所需的耗时网格划分,因为物理分析可以直接从隐式表示中高效更新。此外,通过将优化目标和约束形式化为损失函数,设计变量通过神经网络的AutoDiff机制自动优化。这消除了繁琐的显式敏感性计算需求。因此,该框架具有高度的可扩展性,可以轻松适应不同的优化问题。通过包括结构合规性、热合规性和耦合多物理场优化问题在内的广泛实验,证明了该方法的有效性和效率。该框架与现有的优化方法[9]和商业软件nTopology[45]进行了基准测试。结果表明,所提出的方法在最终优化的多孔结构中实现了最先进(SOTA)的性能。
我们总结本研究的主要贡献如下:
  • •
    本文提出了一种用于自动优化TPMS基多孔结构的新颖可微分隐式框架。
  • •
    该框架通过采用一种具有双重适应策略的新型SA-RBFNN,实现对多孔结构特性的更好局部控制,该策略结合了两种机制:通过梯度被动优化所有神经元参数(中心、影响半径和权重),以及使用基于物理的剪枝和种子机制主动管理神经元分布。
  • •
    通过利用SA-RBFNN的AutoDiff功能,该框架消除了繁琐的敏感性分析需求,从而确保了对多种优化问题的高扩展性。
  • •
    该方法生成的多孔结构在多种基准测试(结构、热和多物理场)中表现出SOTA性能,优于现有方法和商业软件nTopology。

章节片段

初步

在本节中,将在介绍完整方法之前介绍所提出框架的核心概念。

方法论

RBF-PoroNet如图2所示,是一个用于多孔结构优化的全局多尺度设计框架。框架的完整工作流程和组成组件在以下部分中详细说明。关键建模假设及其理由在附录E中总结。

实验和结果

所提出的框架提供了一种自动化、高效且易于扩展的多孔结构设计方法,可以生成性能优越的结构。通过一系列实验验证了其有效性,包括最小合规性(第4.2节)、最小热合规性(第4.3节)和多物理场(第4.4节)优化问题。还提供了对网络架构组件和超参数的全面分析(第4.5节),

结论

本文介绍了RBF-PoroNet,这是一种用于TPMS基多孔结构设计和优化的自动化高效框架。该框架建立在SA-RBFNN之上,SA-RBFNN是一种改进的RBFNN架构,旨在控制结构的拓扑(孔隙率)和几何(厚度)特性。SA-RBFNN通过双重适应策略实现了更好的局部可控性,该策略包括所有RBF神经元参数的被动梯度基适应和主动

CRediT作者贡献声明

杜浩:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,软件,形式分析,数据管理。王胜发:撰写 – 审稿与编辑,项目管理,资金获取,形式分析。杜亮:撰写 – 审稿与编辑,验证,软件。江宇:撰写 – 审稿与编辑,形式分析。胡江北:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,监督,项目管理,方法论,

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号