CC BY
25
УДК 004.8
DOI: 10.24412/2071-6168-2022-2-246-249
ГЕНЕРАТИВНЫЙ ДИЗАЙН НА ОСНОВЕ ОПТИМИЗАЦИИ ТОПОЛОГИИ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ
М.А. Титова, А.Ю. Громов
В работе рассматриваются интеллектуальные технологии для генеративного проектирования, выявлены проблемы в области генеративного дизайна и предложен алгоритм, ускоряющий оптимизацию топологии и обеспечивающий качество, разнообразие и эстетику генерируемых двумерных моделей. Архитектура предлагаемого решения состоит из повторяющихся блоков исследования проекта и оценки проекта.
Ключевые слова: генеративный дизайн, сверточная нейронная сеть, генеративная состязательная сеть, оптимизация топологии, трансферное обучение.
В настоящее время актуально использование машинного обучения для автоматизации процессов, снижения трудозатрат и увеличения эффективности производства во всех сферах, в том числе в области генеративного дизайна (GD). Существуют подходы GD, основанные на интеграции оптимизации топологии (TO) и интеллектуальных технологий.
Появились подходы глубокого обучения, включающие сверточную нейронную сеть (CNN) и генеративную состязательная сеть (GAN), а также их разновидности, которые успешно применяются в комплексе с TO для создания большого набора моделей [1]. В исследовании [2] предлагается основанная на обучении с подкреплением структура GD, которая может улучшить разнообразие создаваемых конструкций за счет TO. В другом подходе, который включал этапы создания эскиза дизайна и его инверсии, объединяющем GAN и глубокую нейронную сеть, в качестве результата пользователь имел лишь концептуальные дизайны [3].
В области GD на основе рассмотренных подходов можно выделить следующие проблемы:
[3].
1. Технические характеристики сгенерированных моделей невозможно гарантировать
2. Сгенерированные модели не эстетичны и не разнообразны [1].
3. Полученные сгенерированные модели являются двумерными и для дальнейшего использования модели может быть необходимо её модернизация в трёхмерный формат [1-3].
4. Системы GD не всегда учитывают критерии, необходимые для создания модели, адаптированной к аддитивному производству.
5. Обучающие данные для нейронных сетей требуют много вычислительного пространства, их трудно получить в достаточном количестве для обеспечения качества результатов.
6. Процесс обучения сети занимает много времени.
Таким образом, в данной статье будет разработан алгоритм, концепция которого была ранее описана в работе [4], но для входных двумерных моделей. Алгоритм представлен на следующем рисунке и нацелен на обеспечение соответствия эстетических характеристик и технических ограничений модели, сокращение вычислительных затрат.
На первом этапе собираются предыдущие двумерные модели в качестве эталонных, так как предполагается, что конструкции, спроектированные людьми, являются более эстетичными.
На втором этапе создаются новые модели, используя технологию TO на основе метода твердого изотропного материала с пенализацией (SIMP). Здесь TO имеет многоцелевую функцию, которая состоит из определения минимальной податливости (максимальной глобальной жесткости) в соответствии с заданными нагрузками и опорами, а также из минимизации разницы от эталонного дизайна.
Вторая целевая функция направлена на улучшение эстетики и разнообразия. Различные конструкции получаются путем изменения относительных весов каждой целевой функции. Математически целевая функция имеет следующий вид, представленный формулой [5]:
f(x) = UTK(x)U + Х
*
x -x
Системный анализ, управление и обработка информации
T
где U - вектор смещения; К - матрица глобальной жёсткости; U K(x)U - соответствие;
X - указанный пользователем параметр подобия; x* - элементы эталонного проекта.
На данном этапе будет создан набор данных с высоким и набор данных с низким разрешением для дальнейшего обучения CNN.
На третьем этапе полученные проекты, отфильтровываются по критерию подобия, настроенному для заданного пользователем порога, чтобы уменьшить вычислительные затраты на следующих этапах. Этот процесс также повторяется на этапах 5 и 8, чтобы отфильтровать модели, сгенерированные в GAN.
На четвёртом этапе предварительно обученная с помощью трнсферного обчения (TL) CNN генерирует новые дизайны. Архитектура сети подразумевает применение исходной и целевой моделей, которые представляют собой двумерный кодировщик-декодер на основе CNN. Для обучения исходной сети используется полученный на предыдушем этапе набор изображений низкого разрешения, а целевая модель дообучается на небольшом наборе данных высокого разрешения [6].
На шестом этапе вычисляется отношение количества новых дизайнов в текущей итерации к количеству дизайнов в предыдущей итерации. Если полученное значение меньше указанного пользователем порога (е), алгоритм переходит к этапу оценки вариантов дизайна.
На седьмом этапе происходит генерация новых вариантов дизайна с помощью GAN
[1].
Алгоритм реализации итеративного подхода к генеративному дизайну
247
Девятый этап включает изучение моделей для оценки новизны дизайна по сравнению с предыдущими моделями. Данный этап может протекать параллельно предыдущим этапам.
На следующем этапе варианты проектирования, полученные из итеративного исследования проекта, должны быть оценены на основе различных атрибутов дизайна, которые необходимы для инженеров. Определяется не только новизна сгенерированных моделей, но и другие физические и технические характеристики [4]. На данном этапе также может быть реализован расчёт стоимости аддитивного производства, расчёт стоимости материала, затрат на обработку и удаление опор при SD-печати.
Затем требуется преобразовать модели в трёхмерный формат. Данная стадия может быть реализована с помощью подхода, применённого в работе [7] для реализации этапа «Автоматизация 3D CAD».
На последнем этапе результаты проектирования визуализируются, представляя пользователю набор оптимизированных моделей.
Таким образом, описанный алгоритм можно считать модификацией подхода, представленного в работе [7]. Предполагается, что алгоритм, изображённый на рисунке, способен ускорить создание набора тренировочных данных для GAN, гарантируя соответствие технических характеристик с помощью TO, а также эстетику и разнообразие моделей.
Список литературы
1. Oh, S., Jung, Y., Lee, I., Kang, N. Design Automation by Integrating Generative Adversarial Networks and Topology Optimization [Electronic resource] // ASME 2018 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference (pp. V02AT03A008-V02AT03A008) // American Society of Mechanical Engineers. 9 p.
2. Jang S. Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs [Electronic resource] / Seowoo Jang, Soyoung Yoo, Namwoo Kang // Free service and archive for articles «arXiv» of Cornell University. 2021. 30 p.
3. Yong D. New Product Design with Automatic Scheme Generation /Yong Dail, Yi Li2,Li Jun Liu//Sensing and Imaging - 2019. 16 p.
4. Титова М.А., Громов А.Ю. Генеративный дизайн с использованием интеллектуальных технологий / М.А. Титова, А. Ю. Громов // Современные технологии в науке и образовании - СТН0-2021: сб. тр. IV междунар. науч.-техн. форума: в 10 т. Т.4./ под общ. ред. О.В. Ми-ловзорова. Рязань: Рязан. гос. радиотехн. ун-т, 2021; Рязань. C. 112-114.
5. Oh S. Deep Generative Design: Integration of Topology Optimization and Generative Models / Sangeun Oh, Yongsu Jung, Ikjin Lee, Namwoo Kang // Journal of Mechanical Design. 2019. Vol. 141, iss. 11, №111405. 13 p
6. Behzadi M. Real-Time Topology Optimization in 3D via Deep Transfer Learning [Electronic resource] / MohammadMahdi Behzadi, Horea T. Ilies// Free service and archive for articles «arXiv» of Cornell University. 11.02.2021. 15p.
7. Yoo S. Integrating Deep Learning into CAD/CAE System: Generative Design and Evaluation of 3D Conceptual Wheel [Electronic resource] / Soyoung Yoo, Sunghee Lee, Seongsin Kim, Kwang Hyeon Hwang, Jong Ho Park, Namwoo Kang// Free service and archive for articles «arXiv» of Cornell University. Publ. 2021-02-21. 28 p.
Титова Мария Александровна, студент., marytitova.98@mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет имени В.Ф. Уткина,
Громов Алексей Юрьевич, канд. техн. наук, доцент, gromovrm@gmail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет имени В.Ф. Уткина
GENERATIVE DESIGN BASED TOPOLOGY OPTIMIZATION USING DEEP LEARNING
M.A. Titova, A.Y. Gromov
The paper deals with intelligent technologies for generative design, identified the problems in the field of generative design and the algorithm that speeds up topology optimization and provides quality, variety and aesthetics generated two-dimensional models was proposed. The architecture of the proposed solution consists of repeating blocks of design research and design evaluation.
248
