用于结构优化的方法和装置与流程

概括而言，本公开内容的各方面涉及人工智能(ai)，并且更具体地，本公开内容的各方面涉及优化对象的结构。

背景技术：

1、对象的结构(诸如其形状、尺寸或材料分布)影响对象的性能。对象的示例可以是飞机的机翼、房屋的桁架、反应器中的管道等。例如，机翼的形状影响气流相对于机翼的压力和速度，而压力和速度影响机翼的物理系统的性能。物理系统可以通过偏微分方程(pde)来描述。物理系统的状态变量(诸如压力和速度)可以通过基于结构参数(诸如描述对象的形状的结构参数)来求解pde来获得。

2、期望设计对象的结构以便提高其性能，该过程可以被称为结构优化。结构优化可应用于许多领域，包括科学领域、工程领域、工业领域等。例如，可以在制造之前通过结构优化过程来优化化学催化剂颗粒的形状、汽车部件的形状等。

3、由于大多数物理系统是通过偏微分方程(pde)来描述的，所以结构优化通常是利用管理pde(governing pde)来执行的。这可能是耗时的，因为在优化的每次迭代时都需要求解pde。

技术实现思路

1、为了提高结构优化的效率，本公开内容提出了一种用于结构优化的新颖框架，通过该框架，可以在保证优化性能的同时降低耗时和计算要求。

2、根据实施例，提供了一种用于优化对象的结构的计算机实现的方法。所述方法包括：由神经边界算子(nbo)接收结构参数，其中，所述结构参数用于描述所述对象的边界形状，并且所述nbo被训练为将所述对象的边界形状的结构参数映射到偏微分方程(pde)的解的近似，所述pde被公式化为表征与所述对象相关的物理系统；由所述nbo利用正向传递从所述结构参数生成状态变量，其中，所述状态变量对应于所述pde的所述解并且用于描述与所述对象相关的所述物理系统的物理状态；基于所述状态变量来计算优化目标值；以及基于所述优化目标值来更新所述对象的所述结构参数。

3、根据实施例，提供了一种用于收集用于训练神经边界算子(nbo)的训练数据集的方法，其中，所述nbo被训练为将对象的边界形状的结构参数映射到偏微分方程(pde)的解的近似，所述pde被公式化为表征与所述对象相关的物理系统，其中，pde的所述解对应于用于描述与所述对象相关的所述物理系统的物理状态的状态变量。所述方法包括：根据所述对象的所述结构参数的第一分布，对与所述对象的第一数量的边界形状相对应的第一数量的结构参数集合进行采样，其中，所述第一分布是均匀分布；通过使用数值求解器来基于所述第一数量的结构参数集合来求解所述对象的所述pde，生成第一数量的状态变量集合；根据所述对象的所述结构参数的第二分布，对与所述对象的第二数量的边界形状相对应的第二数量的结构参数集合进行采样，其中，所述第二分布是基于所述第一数量的结构参数集合来确定的；以及通过使用所述数值求解器来基于所述第二数量的结构参数集合来求解所述对象的所述pde，生成第二数量的状态变量集合，其中，所述第一数量的结构参数集合、对应的所述第一数量的状态变量集合、所述第二数量的结构参数集合、以及对应的所述第二数量的状态变量集合被包括在所述训练数据集中。

4、根据实施例，提供了一种计算机系统，其包括一个或多个处理器和存储计算机可执行指令的一个或多个存储设备，所述计算机可执行指令在被执行时使得所述一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面所述的方法的操作。

5、根据实施例，提供了一种或多种存储计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被执行时使得一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面所述的方法的操作。

6、根据实施例，提供了一种包括计算机可执行指令的计算机程序产品，所述计算机可执行指令在被执行时使得一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面所述的方法的操作。

7、通过使用nbo(其学习对象的各种边界形状的结构参数与pde的解之间的映射)，在优化框架中，可以显著提高结构优化的效率，同时解决了求解pde的瓶颈。此外，通过使用自适应采样框架来收集用于训练nbo的训练数据集，通过利用对象的结构的先验的开发和未知结构的探索之间的折衷来降低nbo的训练成本。在下文的描述中解释了其它优点和增强

技术特征：

1.一种用于优化对象的结构的计算机实现的方法，包括：

2.根据权利要求1所述的方法，还包括：

3.根据权利要求1所述的方法，其中，所述nbo包括分支网络和主干网络，所述分支网络取所述结构参数作为其输入并且输出第一向量集合，所述主干网络取所述对象的坐标作为其输入并且输出第二向量集合，其中，取所述第一向量集合与所述第二向量集合之间的相应点积作为所述状态变量。

4.根据权利要求1所述的方法，其中，所述nbo包括分支网络、主干网络和端口网络，所述分支网络取所述结构参数作为其输入并且输出第一向量集合，所述主干网络取所述对象的坐标作为其输入并且输出第二向量集合，并且所述端口网络取所述第一向量集合和所述第二向量集合作为输入并且输出所述状态变量。

5.根据权利要求4所述的方法，其中，所述分支网络、所述主干网络和所述端口网络是全连接网络。

6.根据权利要求1所述的方法，还包括：

7.根据权利要求6所述的方法，其中，所述收集所述训练数据集还包括：

8.根据权利要求7所述的方法，其中，所述数值求解器是有限元方法(fem)求解器。

9.根据权利要求7所述的方法，其中，所述第二分布还是基于所述对象的未采样的结构参数的所述优化目标值来确定的。

10.根据权利要求9所述的方法，其中，所述对象的所述未采样的结构参数的所述优化目标值是通过估计器来估计的，其中，所述估计器是基于所述第二数量的结构参数集合和第二数量的对应的优化目标值来训练的，其中，所述第二数量的对应的优化目标值是基于所述第二数量的状态变量集合来获得的。

11.根据权利要求9所述的方法，其中，所述第二分布p(θ)是通过以下方程来确定的：其中，j(θ)表示所述未采样的结构参数θ的所述优化目标函数，表示平衡因子，st表示到目前为止采样的θi的集合，||·||2表示l2范数。

12.根据权利要求1所述的方法，其中，所述对象是燃料电池双极板、汽车的一部分、飞机的一部分、建筑物的一部分、反应器的管道、流挡板中的一者。

13.根据权利要求1所述的方法，其中，所述结构参数包括位置、半径、宽度、高度、长度、锚点中的至少一者，并且所述状态变量包括速度、压力、温度中的至少一者。

14.一种用于收集用于训练神经边界算子(nbo)的训练数据集的方法，其中，所述nbo被训练为将对象的边界形状的结构参数映射到偏微分方程(pde)的解的近似，所述pde被公式化为表征与所述对象相关的物理系统，其中，pde的所述解对应于用于描述与所述对象相关的所述物理系统的物理状态的状态变量，所述方法包括：

15.根据权利要求14所述的方法，其中，所述第二分布还是基于所述对象的未采样的结构参数的所述优化目标值来确定的。

16.根据权利要求15所述的方法，其中，所述对象的所述未采样的结构参数的所述优化目标值是通过估计器来估计的，其中，所述估计器是基于所述第一数量的结构参数集合和第一数量的对应的优化目标值来训练的，其中，所述第一数量的对应的优化目标值是基于所述第一数量的状态变量集合来获得的。

17.根据权利要求15所述的方法，其中，所述第二分布p(θ)是通过以下方程来确定的：其中，j(θ)表示所述未采样的结构参数θ的所述优化目标函数，表示平衡因子，st表示到目前为止采样的θi的集合，||·||2表示l2范数。

18.一种计算机系统，包括：

19.一种或多种存储计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被执行时使得一个或多个处理器执行根据权利要求1-17中的一项所述的方法的操作。

20.一种包括计算机可执行指令的计算机程序产品，所述计算机可执行指令在被执行时使得一个或多个处理器执行根据权利要求1-17中的一项所述的方法的操作。

技术总结
本公开内容提供了一种用于优化对象的结构的计算机实现的方法。该方法包括：由神经边界算子(NBO)接收结构参数，其中，结构参数用于描述对象的边界形状，并且NBO被训练为将对象的边界形状的结构参数映射到偏微分方程(PDE)的解的近似，PDE被公式化为表征与对象相关的物理系统；由NBO从结构参数生成状态变量，其中，状态变量对应于PDE的解并且用于描述与对象相关的物理系统的物理状态；基于状态变量来计算优化目标值；以及基于优化目标值来更新结构参数。

技术研发人员：朱军,程泽,刘松铭,苏航,郝中楷,应铖阳
受保护的技术使用者：罗伯特·博世有限公司
技术研发日：
技术公布日：2024/12/19