Investigation of 2D Topology Optimization Using Neural Networks

Abstract

El trabajo de fin de máster “Implementación de optimización topológica en 2D utilizando redes neuronales” contiene el desarrollo establecido para poder implementar conjuntamente el uso de redes neuronales y optimización topológica.

Mediante el uso de la optimización topológica, las estructuras pueden ser optimizadas, reduciendo así la cantidad de masa, sin afectar propiedades como rigidez o estabilidad. Sin embargo, es un método lento, el cual necesita un alto tiempo computacional, debido al elevado número de cálculos implementados. Por ello, mediante la implementación de redes neuronales, se buscará optimizar y acelerar esta metodología de una manera eficaz.

En primer lugar, una base de datos de imágenes será generada mediante optimización topológica, con la cual, se entrenarán las redes neuronales. En segundo lugar, una red generativa antagónica, conocida en inglés como GAN o “Generative Adversarial Network”, será programada para aprender las relaciones establecidas en las imágenes de la base de datos, y así, poder generar automáticamente estructuras optimizadas en milisegundos. Finalmente, una red neuronal convolucional, conocida en inglés como CNN o “Convolutional Neural Network”, será programada para evaluar la posición de la carga de la estructura optimizada en la imagen generada en la GAN.

Finalmente, este método será analizado cualitativamente. De esta manera se compararán imágenes reales de la base de datos creada con la optimización topológica, con las fotos generadas por la GAN y finalmente, el análisis computado por la CNN.The master's thesis “Investigation of 2D Topology Optimization Using Neural Networks” contains the method developed to implement the use of neural networks in topology optimization.

Topology optimization is a tool used to optimize structures, i.e. to reduce the amount of mass without affecting internal properties, such as stiffness or stability. However, it is a slow method, which requires high computational time due to the high number of calculations implemented. Therefore, through the implementation of neural networks, this methodology will be optimized and accelerated effectively.

First, a databank, from images of optimized structures using topology optimization, will be generated to train the neural networks. Second, a Generative Adversarial Network (GAN) will be programmed using the databank from the previous step, to learn the needed patterns from the existing images. This will allow the GAN to generate automatically optimized structures in milliseconds. Finally, a Convolutional Neural Network (CNN) will be programmed to evaluate the efficiency of GAN imaging by evaluating the position of the load in the image.

Finally, this method will be analyzed qualitatively. By implementing this method, real images from the database created with the topological optimization will be compared with the photos generated by the GAN and finally, the analysis computed by CNN.