机构名称：
¥ 1.0
抽象拓扑优化是工程设计中无处不在的任务，涉及预先涂抹的空间域中材料的最佳分布。最近，已经提出了以数据驱动的方法（例如深生AI模型）作为迭代优化方法的替代方法。但是，现有的数据驱动方法通常使用固定的网格分辨率和域形在数据集上进行培训，从而降低了它们对不同分辨率或不同域形的适用性。在本文中，我们引入了两个关键的创新 - 求解器和神经隐式现场体系结构以解决这些局限性。首先，我们引入了一个快速，可行的，迭代的基于GPU，以针对3D未经检测网格的高通量数据集的生成优化。我们的求解器生成了122K优化的3D Topologies，这是最大的公共数据集的数量级。第二，我们引入了一种新的无分辨率数据驱动方法，用于使用称为NITO-3D的神经字段，用于3D拓扑。单个NITO-3D模型训练并预测各种分辨率和宽高比。还可以消除对计算密集型物理场调节的需求，NITO-3D为3D拓扑选项提供了更快，更灵活的替代方案。平均而言，NITO-3D的拓扑结构约为2000倍，仅比最新的迭代求解器高0.3％。有10个步骤的迭代精细调整，NITO-3D的平均速度快15倍，并且产生的拓扑比SIMP的合规性高0.1％。我们在https://github.com/lyleregenwetter/nito-3d上开放与此工作关联的所有数据和代码。
朝域自动，无分辨率的3D拓扑...
主要关键词
相关文件推荐
