結構拓撲優化可以幫助工程師在沒有先驗知識的情況下，獲得具有創新性的產品/結構設計，目前已成為了數字化設計平臺不可缺少的重要支撐工具。而實現實時拓撲優化設計（即在給定設計區域，外荷載以及約束條件后即可馬上得到最優結構形式）更是工程師們長久追尋的終極夢想。近日，大連理工大學工程力學系郭旭教授團隊將機器學習與基于可移動變形組件(MMC)的拓撲優化方法相結合，利用顯式的MMC方法生成數據集，通過機器學習中的SVR和KNN模型建立起最優結構設計參數與外載荷之間的映射關系，對實現實時拓撲優化設計開展了探索性研究。由于MMC方法以結構顯式幾何參數作為設計變量，優化問題設計變量極少，因此相比已有方法（如基于像素學習的方法），該方法大大減少了機器學習訓練集的數據量及相應參數空間的維度，并且通過學習過程得到的"知識"有助于建立最優結構與對應載荷的工程直覺。目前相關論文已被期刊《Journal of Applied Mechanics-Transactions of the ASME》接收。

（原文下載鏈接: https://www.researchgate.net/publication/327140607_Machine_Learning_Driven_Real_Time_Topology_Optimization_under_Moving_Morphable_Component_MMC Bas Based_Framework）

文章全文如下:

來源：結構優化理論與應用 作者劉暢