CN114611350B 一种基于fcn的相变蓄热装置流道拓扑优化设计方法 （南京理工大学）

一种基于FCN的相变蓄热装置流道拓扑优化本发明提出了一种基于FCN的相变蓄热装置多模型属性进行有限元分析获得多组相变蓄热所得的SDF值和PCM密度分别编码，用SDF值对U-net网络进行训练；再对待优化的相变蓄热装置度学习算法与SDF处理结合，提供了一种新型优2步骤2、对步骤1中有限元分析中的背景网格看成图像2.根据权利要求1所述的基于FCN的相变蓄热装置流道拓扑优化设计方法，其特征在式中，u为流体在二维坐标系中x方向上的速度，v为流体在pp33.根据权利要求2所述的基于FCN的相变蓄热装置流道拓扑优化设计方法，其特征在4.根据权利要求1所述的基于FCN的相变蓄热装置流道拓扑优化设计方法，其特征在5.根据权利要求1所述的基于FCN的相变蓄热装置流道拓扑优化设计方法，其特征在X2点在边界6.根据权利要求1所述的基于FCN的相变蓄热装置流道拓扑优化设计方法，其特征在4.3引入elu非线性激活函数以增加FCN在每个卷积或反卷积4.4利用训练集训练全卷积神经网络中的各种参数，由反向传播算法训练至新模型收4[0001]本发明属于相变蓄热技术领域，涉及结合全卷积神经网[0003]拓扑优化的基本原理是通过寻找结构内部材料的位置和数量的最优配置来优化基于材料结构拓扑优化设计方法都需要进行大量的数值迭代计算才能获得设计域内材料[0004]一种基于全卷积神经网络(FCN)的相变蓄热装置流道结构拓扑优化设计方法，将5全卷积神经网络中的模型属性，由反向传播算法训练至新模型收敛，得到需要的U-net网[0012](1)本发明提出了一种基于全卷积神经网络(FCN)的相变蓄热装置流道结构拓扑优化设计方法，通过神经网络预测相变蓄热材料位置间接得到拓扑优化流道构型(相变蓄[0013](2)本发明在处理数据集的过程中使用了SDF(符号距离函数)来作为网络输入处[0014](3)本发明深度学习算法采用Adam优化算法，所述的深度学习算法的卷积层和反[0015](4)本发明使用全卷积神经网络(FCN)将一般CNN分类网络的全连接层换成卷积[0020]本发明的一种基于FCN的相变蓄热装置流道拓扑优化设计方法，相变蓄热装置流6矩阵)采样为相同形状的数值矩阵，以实现对应神经网络的输入通道和输出通道的预设尺述边界条件、约束条件与相应单元密度值的对应，并计算相变蓄热材料分布矩阵的SDF值i为:[0032]4.1设计全卷积神经网络的结构。全卷积神经网络的网络机构主要由编码部分层从SDF(网络的输入矩阵)中提取高度编码的几何表示。解码部分旨在分析高度编码的特使得网络输入端的分辨率与网络的输出预测结果分辨率7函数(MSE)误差来求解预测值和真实值之间的距离平方和。损失函数就是用来表现预测与[0036]4.3引入elu非线性激活函数以增加FCN在每个卷积或反卷积层中的非线性能力。[0039]本发明中相变材料密度预测网络通过Adam(随机梯度下降法的扩展)高效优化算[0041]4.4利用训练集训练全卷积神经网络通过SIMP优化器利用步骤四中训练得到的U-net网络对相变蓄热材料密度进行预测得到相8[0048]本实施例提供的一种基于全卷积神经网络的相变蓄热装置流道拓扑优化设计方[0049]步骤一，选取相变蓄热装置，如图2建立数值分析模型，设计域大小为100mm×元网格划分后获得样本数据信息即多组流道拓扑构型和相变蓄热材料分布图以及对应的[0052]以不可压缩的N-S流体方程为控制方程，采用单向耦合求解的方法求解共轭传热相关的阻尼项来模拟流体通过理想孔隙介质时的摩擦力。其中，α(X)表示X位置的反渗透pp9[0085]训练过程中将所述数据集不断的输入所述U-Net卷积神经网络，并手动调整所述U-Net卷积神经网络的学习率，直至利用MSE损失函数计算的损失函数值小于预设值或收[0086]4.3引入elu非线性激活函数以增加FCN在每个卷积或反卷积层中的非线性能力。[0089]本实施例中采用Adam作为神经网络更新权重的优化器；考虑GPU内存的大小和所[0090]4.4利用训练集训练全卷积神经网络转换为高分辨率的图片。将待优化流道的边界条件输入所述训练完成的U-Net卷积神经网络，通过SIMP