PyTOaCNN: Topology optimization using an adaptive convolutional neural network in Python

本文介绍了一种自适应卷积神经网络（CNN）架构，能够自动化解决多种不同物理学背景下的拓扑优化问题。所提出的架构具有编码器-解码器类型的结构，在瓶颈区域添加了密集层以捕捉复杂的几何特征。该网络使用特定问题的开源TO代码获得的数据集进行训练。Tensorflow和Keras是开发和训练模型的主要库。通过在涉及恒定和设计相关载荷的符合度最小化问题以及解决体积模量优化问题中的表现，证明了所提出的自适应CNN模型的有效性和鲁棒性。一旦训练完成，模型以用户的体积分数输入为图像，并即时生成优化设计的输出图像。所提出的CNN产生了高质量的结果，类似于通过开源TO代码获得的结果，性能和体积分数误差极小。本文包括所提出的CNN架构的完整相关Python代码（附录A），并解释了代码的每个部分，以便于复现和学习。

提出一种自适应卷积神经网络架构，能够自动化解决具有不同物理学背景的拓扑优化问题。

该网络结构具有编码器-解码器类型的结构，瓶颈区域添加了密集层以捕获复杂的几何特征。该网络通过特定于问题的开源TO代码获得的数据集进行训练。

该文提出的自适应CNN模型的有效性和鲁棒性通过其在涉及常数和设计相关负载的符合度最小化问题以及在处理体积模量优化方面的表现得到证明。一旦训练完成，模型将用户的体积分数输入作为图像，并立即生成优化设计的输出图像。该CNN产生高质量的结果，类似于通过开源TO代码获得的结果，性能和体积分数误差可忽略不计。该论文还包括完整的Python代码，以便于重现和学习。

最近的相关研究包括使用深度学习进行拓扑优化的其他方法，如基于GAN的方法和基于强化学习的方法。