کد شبیه سازی یادگیری ماشین آنلاین خود هدایت شده برای بهینه سازی توپولوژی
بهینهسازی توپولوژی با توزیع بهینه مواد در یک دامنه معین به بهینهسازهای غیر گرادیان برای حل مسائل بسیار پیچیده نیاز دارد. با این حال، با صدها متغیر طراحی یا بیشتر درگیر، حل چنین مسائلی به میلیونها محاسبه روش المان محدود (FEM) نیاز دارد که هزینه محاسباتی آن بسیار زیاد و غیرعملی است. در اینجا ما بهینهسازی یادگیری آنلاین خودگردان (SOLO) را گزارش میکنیم که شبکه عصبی عمیق (DNN) را با محاسبات FEM ادغام میکند. یک DNN هدف را به عنوان تابعی از متغیرهای طراحی یاد می گیرد و جایگزین می کند. تعداد کمی از داده های آموزشی به صورت پویا بر اساس پیش بینی DNN از بهینه تولید می شود. DNN با داده های آموزشی جدید تطبیق می یابد و پیش بینی بهتری در منطقه مورد نظر تا زمان همگرایی ارائه می دهد. بهینه پیش بینی شده توسط DNN ثابت شده است که از طریق تکرارها به بهینه جهانی واقعی همگرا می شود. الگوریتم ما با چهار نوع مسئله از جمله بهینه سازی انطباق، بهینه سازی ساختار سیال، افزایش انتقال حرارت و بهینه سازی خرپا آزمایش شد. زمان محاسباتی را در مقایسه با استفاده مستقیم از روشهای اکتشافی به میزان 2 ~ 5 مرتبه کاهش داد و از همه الگوریتمهای پیشرفته آزمایششده در آزمایشهای ما بهتر عمل کرد. این رویکرد حل مسائل بهینه سازی چند بعدی بزرگ را امکان پذیر می کند.
این فایل مخزن حاوی کد شبیه سازی و مقاله زیر است:
Changyu Deng, Yizhou Wang, Can Qin, Yun Fu, and Wei Lu. “Self-Directed Online Machine Learning for Topology Optimization.” Nature Communications 13.1 (2022)
مقدمه
8 مثال از 4 نوع در این مقاله وجود دارد، دو مسئله کمینه سازی انطباق (مش درشت / مش ریز)، دو مسئله بهینه سازی ساختار سیال (مش درشت / مش ریز)، یک مسئله افزایش انتقال حرارت (گرما) و سه مسئله بهینه سازی خرپا. (خرپا). کد آنها در پوشه های جداگانه آنها است. لطفاً برای اطلاعات بیشتر به فایل readme.md در پوشه خود مراجعه کنید.
مسئله سیال، اگر پردازنده گرافیکی دارید. به پایتون، COMSOL و Matlab نیاز دارد. زمانی که یک GPU دارید به راحتی قابل درک و محاسبه سریع است.
مسئله انطباق، اگر GPU ندارید. به پایتون، COMSOL و Matlab نیاز دارد. کمترین هزینه محاسباتی را دارد، اما از GPU استفاده نمی کند، بنابراین زمانی که یک GPU دارید، از مسائل سیال کندتر خواهد بود.
مسئله Truss، اگر فقط پایتون را نصب کرده اید و نمی خواهید Matlab یا COMSOL را نصب کنید. این فقط از پایتون استفاده می کند، اما به GPU نیاز دارد (شما به راحتی می توانید کد را تغییر دهید تا روی CPU اجرا شود، اما مدت زیادی صبر خواهید کرد). همچنین، درک آن کمی سخت تر از مشکلات انطباق و مشکلات سیال است.
محیط نرم افزار
بیشتر نمونه ها از نرم افزارهای زیر استفاده می کنند:
COMSOL Multiphysics 5.4
Matlab 2019b
پایتون 3.7
PyTorch 1.2.0
نسخه های بالاتر باید خوب کار کنند. نسخه های پایین تر ممکن است سازگار باشند. برای جزئیات بیشتر به پوشه ها مراجعه کنید. ممکن است به چند بسته مختلف نیاز باشد.
تکرارپذیری
لطفاً توجه داشته باشید که تکرارپذیری به دلیل پلتفرم PyTorch تضمین نمی شود (به مستندات آن مراجعه کنید)، اما نتایج مشابهی انتظار می رود.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.