CN119417716A 一种基于潜在扩散模型的多阶段结构拓扑优化方法 （东北大学）

一种基于潜在扩散模型的多阶段结构拓扑本发明提供一种基于潜在扩散模型的多阶优化图像映射到低维潜在空间表示以减少数据散过程中加入去噪网络并引入交叉注意力机制2步骤1：确定研究对象，基于传统SIMP方法创建结构拓扑优化图像数据集并进行预处步骤2：设计编码器网络，将步骤1得到的结构拓扑优化步骤3：在低维潜在空间内对步骤2得到的初始潜在变步骤7：设计解码器网络，将步骤5中通过逆向扩散2.根据权利要求1所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征K(ρ)U＝F3扑优化图像数据集，并对结构拓扑优化图像数据集使用数据增强技术扩充数据样本的数3.根据权利要求1所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征4.根据权利要求1所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征5.根据权利要求4所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征6.根据权利要求1所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征在于：所述步骤5利用步骤4中训练好的去噪模型对步骤3得到的纯噪声变量进行逆向扩散7.根据权利要求1所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征48.根据权利要求2所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征9.根据权利要求8所述的一种基于潜在扩散模型的多阶段结构拓扑优化方法，其特征5扑优化方法，如固体各向同性材料惩罚法(SolidIsotropicMaterialwith网络(GenerativeAdversarialNetwork,GAN)和扩散模型(DenoisingDiffusion[0010]现有的基于深度生成模型的拓扑优化方法，如生成对抗网络(GAN)和扩散模型6[0011]1.训练复杂且泛化能力有限：7[0033]步骤1.6：将预处理t′8[0049]其中，N(xo(z;,t),EO(z;,t))表示去噪模型的预测均值μθ(zt′,t)和预测方差Σθ[0053]步骤6.3：利用FiLM层[0066]步骤8.5：对优化过程给9[0074]图1为本发明实施例提供的一种基于潜在扩散模型的多阶段结构拓扑优化方法流[0075]图2为本发明实施例提供的一种基于潜在扩散模型的多阶段结构拓扑优化方法在[0099]数据增强技术是提高深度学习模型泛化能力的重要手段[0106](4)对拓扑结构图像数据进行噪声添加，添加噪声的类型包括高斯噪声和椒盐噪Eφ0)βt为正向扩散过程中第t步的噪声系数，表示扩散过程中每一步中所添加的高斯噪声的比输出每一步噪声的预测值i:去噪模型的输入为当前步数t和带噪声的潜在变量zt，输出每一步噪声的预测值i,用于逼近每一步中的实际噪声；[0128]逆向扩散模型优化过程通过损失函数来度量去躁模型预测噪声与真实噪声之间θt[0139]利用步骤4中训练好的去噪模型对步骤3得到的纯噪声变量zT进行逆向扩散过程，[0149]其中，N(u,(z;,t),EO(z,t))表示去噪模型的预测均值μθ(zt′,t)和预测方差Σθp(Z)eR表示用于实现去[0162]步骤6.3：利用FiLM层θ)[0168]步骤7：设计解码器网络Dψ,将步骤5中通过逆向扩散过程得到的新的无噪声的潜ψ[0173]步骤7中生成的拓扑结构已经在视觉上与原始高分辨率的最优拓扑结构x0高度[0174]少步SIMP直接优化(FS_SIMP)基于SIMP(SolidIsotropicMaterialwith[0188]步骤8.5：对优化过程给[0194]在本实施例中，本发明提出的基于潜在扩散模型多阶段的拓扑优化方法(TOLDM)经过5步SIMP方法迭代优化后的结果，TOLDM(10)为经过10步SIMP方法迭代优化后的结果。小化和体积约束目标上的表现良好，并且证明TOLDM能够生成满足约束且高质量的拓扑优[0196]1.Complianceerror(CE)柔度误差:评估TOLDM生成结果与传统SIMP方法的相对同时引入了平均柔度误差(CE％AVG)和中值[0199]2、VolumeFractionError(VFE)体积分数误差的拓扑结构的体积分数与实际输入体积分数之间的偏差，为了更全面地评估TOLDM的体积分数准确性，我们还引入了平均体积分数误差(VFE％AVG)和中值体积分数误差(VFE%[0203]在表1和表2中，我们展示了TOLDM在64×64和256×256分辨率数据集上的性能评FS_SIMP步数值设置为5和10的TOLDM模型在所有指标上均展现了一致的优越性，突显了其[0205]表2清楚地表明，我们的TOLDM框架在256×256分辨率的数据集上表现出显著优TOLDM的FS_SIMP步数值设置为5和10时，该模型保持了最低平均体积分数误差(VFE％AVG)误差(CE％AVG)和平均体积分数误差(VFE％AVG)的值降至2.73和1.07，而中值柔度误差扑结构在这两项关键性能指标上展现了显著的领先优势，这显示了TOLDM方法的稳定性和图像生成和重构任务中具有强大适应性和优化精度的框架。TOLDM在这些指标上的表现突这强调了其通过少步的SIMP迭代能显著提高拓扑结构保持高性数据驱动设计的深度学习方案的主要目标是比传统优化更快速的生成拓扑，表3主要对比不同模型在低分辨率64×64和高分辨率256×256的平均推理时间，TOLDM在计算推理时间法快96.63比DOM快25.61％。比目前基于扩散模型解决拓扑优化问快26％。这证明了我们提出的方法TOLDM再生成拓扑结构时能够兼顾高效和性能优良的结[0209]本发明提出的基于潜