본 논문에서는 역전파 방법 기반 자동미분법을 이용하여 설계민감도를 구하고 이를 응력제한조건을 고려한 위상최적설계에 적용하였다. 응력제한조건이 있는 위상최적화문제는 특이점(singularity)과 응력의 국부성(local nature of stress constraint)문제, 그리고 설계 변수에 대한 비선형성의 문제를 포함하고 최적해를 얻기가 매우 힘들다. 특이점 문제를 해결하기 위해서 응력 완화(stress relaxation) 기법을 사용하였고, 응력의 국부성을 해결하기 위해 p-norm을 이용한 전역 응력치를 제한조건에 사용하였다. 설계 변수에 대한 비선 형성을 극복하기 위해 해석적인 방법으로 정확한 설계민감도를 구하는 것이 중요하다. 위상최적설계에서 기존에는 보조변수방법 (adjoint variable method)을 사용하여 빠르고 정확한 설계민감도를 구했지만, 설계민감도를 해석적으로 구해야 하고, 보조평형방정식을 추가로 풀어야 하는 어려움이 있다. 이를 해결하기 위해서 인공신경망에서 최적 가중치(weights)와 편차(biases)를 구할 때 쓰이는 역전파 기법을 이용하여 설계민감도를 구하고 이를 응력제한조건을 고려한 위상최적설계에 적용하였다. 역전파 기법은 자동미분에 쓰이는 기법으로 목적함수나 제한조건에 대한 설계민감도를 별도의 수식유도 없이 간단하게 구할 수 있는 장점이 있다. 또한, 미분값을 구하는 역전파의 과정이 보조평형방정식을 푸는 것보다 계산시간이 빠르고 해석적 방법으로 구한 설계민감도와 같은 정확도를 보여준다.
본 논문에서는 역전파 방법 기반 자동미분법을 이용하여 설계민감도를 구하고 이를 응력제한조건을 고려한 위상최적설계에 적용하였다. 응력제한조건이 있는 위상최적화문제는 특이점(singularity)과 응력의 국부성(local nature of stress constraint)문제, 그리고 설계 변수에 대한 비선형성의 문제를 포함하고 최적해를 얻기가 매우 힘들다. 특이점 문제를 해결하기 위해서 응력 완화(stress relaxation) 기법을 사용하였고, 응력의 국부성을 해결하기 위해 p-norm을 이용한 전역 응력치를 제한조건에 사용하였다. 설계 변수에 대한 비선 형성을 극복하기 위해 해석적인 방법으로 정확한 설계민감도를 구하는 것이 중요하다. 위상최적설계에서 기존에는 보조변수방법 (adjoint variable method)을 사용하여 빠르고 정확한 설계민감도를 구했지만, 설계민감도를 해석적으로 구해야 하고, 보조평형방정식을 추가로 풀어야 하는 어려움이 있다. 이를 해결하기 위해서 인공신경망에서 최적 가중치(weights)와 편차(biases)를 구할 때 쓰이는 역전파 기법을 이용하여 설계민감도를 구하고 이를 응력제한조건을 고려한 위상최적설계에 적용하였다. 역전파 기법은 자동미분에 쓰이는 기법으로 목적함수나 제한조건에 대한 설계민감도를 별도의 수식유도 없이 간단하게 구할 수 있는 장점이 있다. 또한, 미분값을 구하는 역전파의 과정이 보조평형방정식을 푸는 것보다 계산시간이 빠르고 해석적 방법으로 구한 설계민감도와 같은 정확도를 보여준다.
This papter presents the use of the automatic differential method based on the backpropagation method to obtain the design sensitivity and its application to topology optimization considering the stress constraints. Solving topology optimization problems with stress constraints is difficult owing to...
This papter presents the use of the automatic differential method based on the backpropagation method to obtain the design sensitivity and its application to topology optimization considering the stress constraints. Solving topology optimization problems with stress constraints is difficult owing to singularities, the local nature of stress constraints, and nonlinearity with respect to design variables. To solve the singularity problem, the stress relaxation technique is used, and p-norm for stress constraints is applied instead of local stresses for global stress measures. To overcome the nonlinearity of the design variables in stress constraint problems, it is important to analytically obtain the exact design sensitivity. In conventional topology optimization, design sensitivity is obtained efficiently and accurately using the adjoint variable method; however, obtaining the design sensitivity analytically and additionally solving the adjoint equation is difficult. To address this problem, the design sensitivity is obtained using a backpropagation technique that is used to determine optimal weights and biases in the artificial neural network, and it is applied to the topology optimization with the stress constraints. The backpropagation technique is used in automatic differentiation and can simplify the calculation of the design sensitivity for the objectives or constraint functions without complicated analytical derivations. In addition, the backpropagation process is more computationally efficient than solving adjoint equations in sensitivity calculations.
This papter presents the use of the automatic differential method based on the backpropagation method to obtain the design sensitivity and its application to topology optimization considering the stress constraints. Solving topology optimization problems with stress constraints is difficult owing to singularities, the local nature of stress constraints, and nonlinearity with respect to design variables. To solve the singularity problem, the stress relaxation technique is used, and p-norm for stress constraints is applied instead of local stresses for global stress measures. To overcome the nonlinearity of the design variables in stress constraint problems, it is important to analytically obtain the exact design sensitivity. In conventional topology optimization, design sensitivity is obtained efficiently and accurately using the adjoint variable method; however, obtaining the design sensitivity analytically and additionally solving the adjoint equation is difficult. To address this problem, the design sensitivity is obtained using a backpropagation technique that is used to determine optimal weights and biases in the artificial neural network, and it is applied to the topology optimization with the stress constraints. The backpropagation technique is used in automatic differentiation and can simplify the calculation of the design sensitivity for the objectives or constraint functions without complicated analytical derivations. In addition, the backpropagation process is more computationally efficient than solving adjoint equations in sensitivity calculations.
Bensoe, M.P. (1995) Optimization of Structral Topology, Shape？and Material, Springer, New York.
Bensoe, M.P., Kikuchi, N. (1988) Generating Optimal Topologies？in Optimal Design using a Homogenization Method, Comput.？Methods Appl. Mech. & Eng., 71, pp.197~224.
Bradbury, J., Frostig, R., Hawkins, P., Johnson, M.J., Leary, C.,？Maclaurin, D., Necula, G., Paszke, A., VanderPlas, J.,？Wanderman-Milne, S., Zhang, Q. (2018) JAX : Composable？Transformations of Python+Numpy Program,Version 0.2. 5.
Bruggi, M. (2008) On an Alternative Approach to Stress Constraints？Relaxation in Topology Optimization, Struct. Multidiscip.？Optim., 36(2), pp.125~141.
Chandrasekhar, A., Sridhara, S., Suresh, K. (2021) AuTO:a？Framework for Automatic Differentiation in Topology Optimization,？Struct. Multidiscip. Optim., 64(6), pp.4355~4365.
Le, C., Norato, J., Bruns, T., Ha, C., Tortorelli, D. (2010)？Stress-based Topology Optimization for Continua, Struct.？Multidiscip. Optim., 41(4), pp.605~620.
Paszke, A., Gross, Sam, Chintala, S., Chanan, G., Yang, E.,？DeVito, Z., Lin, Z., Desmaison, A., Antiga, L., Lerer, A.？(2017) Automatic Differentation in Pytorch, 31st Conference？on Neural Information Processing Systems (NIPS 2017),？Long Beach, CA, USA, pp.1~4.
Sigmund, O. (2001) A 99 line Topology Optimization Code？Written in Matlab, Struct. Multidiscip. Optim., 21(2), pp.？120~127.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.