一种基于对比学习的条件生成对抗网络拓扑优化方法及系统

1.本发明涉及2d有限元分析技术领域，更具体的，涉及一种基于对比学习的条件生成对抗网络拓扑优化方法及系统。


背景技术：

2.拓扑优化是机械设计领域最常见的结构优化类型，旨在给定约束和需求性能的情况下，寻找最优材料分布。拓扑优化可以被视为科学地从机械设计领域去除多余的材料，以达到更高的强度-重量比的设计。一种常用的拓扑优化算法是基于密度的simp方法，在给定负载案例、边界条件、制造约束和性能要求的条件下，对给定设计空间内的材料分布进行优化预测。在simp方法中，结构设计变量(单元密度)和优化问题直接挂钩对应，即拓扑结构明确地取决于设计变量。simp拥有优化算法收敛好、灵敏度简单易算、可直接进行基于有限元的离散设计灵敏度计算和适用于结合更复杂的非线性结构拓扑等优点。然而尽管在提高求解效率方面已经做出了重大努力，但基于密度的simp算法并不具有通用性；此外，当过滤半径比较大的时候,优化出来的拓扑结构还存在边界不够清晰的缺点，这些灰度区域没有物理意义，设计如果无后处理无法直接用于制造。
3.为改善上述传统拓扑优化方法的缺点，最近的工作将深度学习应用到拓扑优化，目的是加速拓扑优化进程，使大规模拓扑优化设计成为可能。由于2d拓扑优化主要是基于图像进行的，因此本设计选用已在计算机视觉领域受到广泛应用的gan模型的变体topologygan作为基础模型。gan主要由生成器和鉴别器两个神经网络模块构成，其中，生成器g通过学习输入和输出之间的映射去生成与真实数据相似的输出，而鉴别器d用来辨别输入是来自于真实数据还是生成器生成的虚假数据。通过给生成器和鉴别器增加条件信息的输入，可以将gan模型转换为条件gan模型(cgan)。而topologygan模型则是在cgan的基础上结合了有限元方法(fem)和simp求解器搭建的。输入条件经fem输出为物理场条件f，让生成器g建立起f到拓扑优化结构的映射关系，即将物理场条件f直接输入到生成器g，使得生成模型细粒度增加，同时，物理场条件f也和原始输入一同输入到鉴别器d中，使得辨别模型细粒度增加，从而使鉴别器d能更好地判别输入是否为真实数据。
4.上述，针对拓扑优化的条件生成对抗网络模型已经具备自动生成具有最优形状结构的有限元模型实体的能力，然而该方法仍然存在模型生成的结构与使用传统拓扑优化算法所生成的结构会有细微差异的问题，这种差异体现在形状，尺寸和存在冗余材料等。而对比学习方法则能够很好地解决这一问题。在众多深度学习方法中，对比学习近年来应用越来越广泛，其已被证实在计算机视觉，自然语言处理等领域的有效性。对比学习通过让模型学习数据之间的相似点或不同点来区分数据，从向量空间上来考虑对比学习，类似于聚类的思想，数据点缩小与其正样本间的距离，扩大与其负样本的距离，以便模型在执行更具体的任务之前了解数据更高阶的特征。
5.现有技术有一种基于边缘信息重建的图像修复方法，包括步骤：完成图像数据集选取和图像预处理，并进行数据划分；采用生成式对抗网络架构，包含一个生成器和一个鉴
别器；生成器接收受损图像，生成修复图像；鉴别器对修复结果进行真伪判别；采用联合损失对模型训练进行约束，联合损失包含重建损失、感知损失、风格损失、对抗损失和中间特征损失；采用反向传播算法，迭代更新优化网络参数，直至模型损失趋于收敛；将待修复图像输入到训练所得修复模型中，模型输出即为修复结果。
6.然而现有技术存在无法识别合成样本与真实样本之间的差异，导致结构精度低的问题，如何发明一种可以识别合成样本与真实样本之间的差异的网络拓扑优化方法及系统，是本技术领域亟需解决的技术问题。


技术实现要素：

7.本发明为了解决现有技术无法识别合成样本与真实样本之间的差异，导致结构精度低的问题，提供了一种基于对比学习的条件生成对抗网络拓扑优化方法及系统，其具有精准高效的特点。
8.为实现上述本发明目的，采用的技术方案如下：
9.一种基于对比学习的条件生成对抗网络拓扑优化方法，包括以下步骤：
10.s1.根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；
11.s2.对随机数据集进行预处理；
12.s3.构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，将预处理后的随机数据集输入生成器得到预测数据集；
13.s4.将具有监督对比模块的cnn层作为模型的鉴别器，将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。
14.优选的，所述的步骤s1中，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集，具体为:
15.使用基于密度的simp根据设计需求将设计域φ离散化为各项同性固体微结构的有限元网络，将材料密度me建模为在0和1之间变化，其中0代表空，1代表固体，即将规定好的材料密度分配给域内的元素，每个网格元素e的杨氏模量ee为
16.ee(me)＝
min
+
ep
(-g
min
)
17.其中g是材料刚度，g
min
是无穷小的最小材料刚度，p是惩罚因子，为了避免中间密度的二进制输出；
18.进行拓扑优化以最小化目标函数c(y)：
[0019][0020]
其中y为基于密度的结构设计张量，u和f为全局位移和力向量，k为刚度矩阵，ui为元素位移向量，ki为元素刚度矩阵，n为元素总个数，vf为体积分数，vy代表张量y的体积分数，v0是一个固定值；
[0021]
根据最小化目标函数，生成有限元部件，将生成的有限元部件作为真实数据标签
构建随机数据集。
[0022]
进一步的，生成器采用的resnet神经网络中通过批量正则化层来应对梯度消失和梯度爆炸，并且resnet神经网络中若干层被设置为了跳过其下一层神经元的连接，从而通过隔层相连弱化每层之间的强联系。
[0023]
更进一步的，生成器的se-block块动态地重新校准信道特征，给定输入u∈rh×w×c，通过全局平均池化层收缩为s(u)∈rc，然后使用两个完全连接的线性矩阵s(u)进行下采样和上采样，整形操作产生与初始输入u具有相同尺寸的激励输出e(u)，se-block的最终输出是e(u)和u通过元素矩阵乘法的哈达玛乘积
[0024][0025]
更进一步的，在生成器中计算了两种损失：l2正则化损失loss
l2
和生成器生成的数据与真实数据体积分数的绝对误差
[0026]
loss
l2
(g)＝e
x,y
[||y-g(f(x))||2]
[0027][0028]
其中，y为真实数据，x为问题输入，f(x)为初始字段，生成器的输入条件r(x)＝[x,f(x)]，vf为体积分数，n为元素总个数。
[0029]
更进一步的，最后生成器的训练损失为：
[0030][0031]
更进一步的，所述的鉴别器包括线性分类模块和对比学习模块；
[0032]
其中：
[0033]
线性分类模块包括数个cnn网络层,用于将输入的高维度向量压缩至相同维度的低维度向量，然后在最后一层加入线性层和sigmoid激活函数，对两个向量直接做二分类任务，即当且仅当生成器输出的有限元向量与simp生成的有限元向量完全一致才会输出1，否则鉴别器判断生成器输出的向量为合成数据，输出为0；
[0034]
对比学习模块直接对比两个高维度向量的每一个点，因为高维度向量包含的信息细粒度更高，找到相同点和不同点，通过损失的反向传播鼓励生成器生成与真实数据相同的点，而惩罚生成器让其不生成与真实数据不同的点。
[0035]
更进一步的，鉴别器d的训练损失lossd包括分类模块的训练损失loss
classifier
和对比模块的训练损失loss
contrastive
：
[0036][0037][0038][0039]
lossd＝β1loss
classifier
+β2loss
contrastive
[0040]
其中，τ为温度超参数，sim为余弦相似性。
[0041]
更进一步的，进行对比学习训练时，训练目标以及损失函数由四部分组成：生成器的训练损失lossd，鉴别器的训练损失lossg，生成器的l2正则化损失loss
l2
和体积分数的绝对误差
[0042]
loss
g,d
＝lossg+lossd[0043][0044]
其中，训练目标生成器g试图最小化鉴别器d试图最大化λ1和λ2是常量，用于平衡三个损失函数。
[0045]
一种基于对比学习的条件生成对抗网络拓扑优化系统，包括数据集生成模块、预处理模块、模型构建模块、模型训练模块：
[0046]
所述的数据集生成模块用于根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；
[0047]
所述的预处理模块用于对随机数据集进行预处理；
[0048]
所述的模型构建模块用于构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，并将具有监督对比模块的cnn层作为模型的鉴别器；
[0049]
所述的模型训练模块用于将预处理后的随机数据集输入生成器得到预测数据集，并将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型
[0050]
本发明的有益效果如下：
[0051]
本发明公开了：1.使用传统的拓扑优化算法simp生成真实数据标签；2.使用条件对抗生成器g学习生成预测数据及加入了扰动的合成数据；3.使用基于对比学习框架的鉴别器d对比真实数据标签和预测数据之间的差异通过损失的反向传播让生成器g学习到这种差异知识从而更好地生成接近真实数据的预测，由此本发明生成的模型的结构与传统拓扑优化算法生成的结构一致，模型除了从输入的负载分布、边界条件和物理场信息中学习到足够多的知识，还通过使用对比学习对比自身生成的结构与由传统拓扑优化算法生成的结构之间的差异；本发明引入了一个对比损失函数，通过损失的反向传播让模型学习到差异知识，让模型更精准地生成实体有限元部件。
附图说明
[0052]
图1是本发明一种基于对比学习的条件生成对抗网络拓扑优化方法的流程示意图。
[0053]
图2是本发明一种基于对比学习的条件生成对抗网络拓扑优化方法的模型总体架构示意图。
[0054]
图3是本发明一种基于对比学习的条件生成对抗网络拓扑优化方法的模型系统流程图。
[0055]
图4是本发明一种基于对比学习的条件生成对抗网络拓扑优化方法的模型生成的有限元部件结果的部分可视化示意图。
具体实施方式
[0056]
下面结合附图和具体实施方式对本发明做详细描述。
[0057]
实施例1
[0058]
如图1所示，一种基于对比学习的条件生成对抗网络拓扑优化方法，包括以下步骤：
[0059]
s1.根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；
[0060]
s2.对随机数据集进行预处理；
[0061]
s3.构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，将预处理后的随机数据集输入生成器得到预测数据集；
[0062]
s4.将具有监督对比模块的cnn层作为模型的鉴别器，将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。
[0063]
实施例2
[0064]
一种基于对比学习的条件生成对抗网络拓扑优化方法，包括以下步骤：
[0065]
s1.根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；
[0066]
s2.对随机数据集进行预处理；
[0067]
s3.构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，将预处理后的随机数据集输入生成器得到预测数据集；
[0068]
s4.将具有监督对比模块的cnn层作为模型的鉴别器，将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。
[0069]
在一个具体实施例中，所述的步骤s1中，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集，具体为:
[0070]
使用基于密度的simp根据设计需求将设计域φ离散化为各项同性固体微结构的有限元网络，将材料密度me建模为在0和1之间变化，其中0代表空，1代表固体，即将规定好的材料密度分配给域内的元素，每个网格元素e的杨氏模量ee为
[0071]ee
(me)＝e
min
+m
ep
(g-g
min
)
[0072]
其中g是材料刚度，g
min
是无穷小的最小材料刚度，p是惩罚因子，为了避免中间密度的二进制输出；
[0073]
进行拓扑优化以最小化目标函数c(y)：
[0074][0075]
其中y为基于密度的结构设计张量，u和f为全局位移和力向量，k为刚度矩阵，ui为元素位移向量，ki为元素刚度矩阵，n为元素总个数，vf为体积分数，vy代表张量y的体积分数，v0是一个固定值；
[0076]
根据最小化目标函数，生成有限元部件，将生成的有限元部件作为真实数据标签
构建随机数据集。
[0077]
本实施例中，本发明采用基于simp的拓扑优化框架topy生成随机数据集，域的大小为64
×
128个网格，随机条件如下：
[0078]
(1)体积分数：[0.3:0.02:0.5]
[0079]
(2)置换位移边界：42种场景
[0080]
(3)荷载位置：域边界上的任何点
[0081]
(4)荷载方向:
[0082]
(5)simp处罚：2
[0083]
(6)simp滤波器半径：1.5
[0084]
使用topy总共生成49078个优化结构，这些结构作为真实的数据以供模型进行对比学习训练。本发明将整个数据集划分为训练集(80％)和验证集(20％)，因此在42种位移边界中，挑选38种作为训练集、4种作为验证集。
[0085]
本实施例中，基于topologygan的启发，模型的输入数据除了包括4种条件的向量表示：域的大小，体积分数，位移边界和载荷，还包括物理场的向量表示。假设初始应力为η＝[η
11
,η
22
,η
12
]，应变为δ＝[δ
11
,δ
22
,δ
12
]，使用fem算法计算应变能密度η
vm
和范式等效应力w作为物理场向量：
[0086][0087][0088]
其中是生成器g的预测结果，m是数据样本的总数，n是网格元素的数量。
[0089]
本实施例中，对随机数据集进行预处理，具体为：topy生成的随机数据集存储在csv文件中，每一行的数值代表一个优化结构，要使保存在csv文件中的数据能用于模型训练，首先将每一行的数据分离成五部分：域的大小，体积分数，位移边界，载荷和物理场，然后分别将其转化为numpy数组以作为模型的输入。数据首先输入到生成器，生成器的输出再作为鉴别器的输入，最后鉴别器输出的结果为最终训练结果。
[0090]
在一个具体实施例中，生成器采用的resnet神经网络中通过批量正则化层来应对梯度消失和梯度爆炸，并且resnet神经网络中若干层被设置为了跳过其下一层神经元的连接，从而通过隔层相连弱化每层之间的强联系。
[0091]
在一个具体实施例中，生成器的se-block块动态地重新校准信道特征，给定输入u∈rh×w×c，通过全局平均池化层收缩为s(u)∈rc，然后使用两个完全连接的线性矩阵s(u)进行下采样和上采样，整形操作产生与初始输入u具有相同尺寸的激励输出e(u)，se-block的最终输出是e(u)和u通过元素矩阵乘法的哈达玛乘积
[0092][0093]
在一个具体实施例中，在生成器中计算了两种损失：l2正则化损失loss
l2
和生成器生成的数据与真实数据体积分数的绝对误差
[0094]
loss
l2
(g)＝e
x,y
[||y-g(f(x))||2]
[0095][0096]
其中，y为真实数据，x为问题输入，f(x)为初始字段，生成器的输入条件r(x)＝[x,f(x)]，vf为体积分数，n为元素总个数。
[0097]
本实施例中，条件生成对抗网络拓扑的模型如图2所示，在生成器中，一条输入数据的网格大小为64
×
128，即长度为8192的向量，输入数据首先经过3个cnn块进行压缩，每个cnn块包括一个卷积层和一个池化层，后两个cnn层最后需要经过batch normalization再输出，向量的大小从64
×
128经过3个cnn块分别被压缩至32
×
64，16
×
32，8
×
16。随后8
×
16维度的向量经过32个se-resnet模块，每一个模块包括2个batch normalization的卷积层和一个se-block块；最后再经过3个cnn块进行放大，从8
×
16维度的向量还原至16
×
32，32
×
64，64
×
128，最后输出64
×
128维度的向量表示。
[0098]
在一个具体实施例中，最后生成器的训练损失为：
[0099][0100]
在一个具体实施例中，所述的鉴别器包括线性分类模块和对比学习模块；
[0101]
其中：
[0102]
线性分类模块包括数个cnn网络层,用于将输入的高维度向量压缩至相同维度的低维度向量，然后在最后一层加入线性层和sigmoid激活函数，对两个向量直接做二分类任务，即当且仅当生成器输出的有限元向量与simp生成的有限元向量完全一致才会输出1，否则鉴别器判断生成器输出的向量为合成数据，输出为0；
[0103]
对比学习模块直接对比两个高维度向量的每一个点，因为高维度向量包含的信息细粒度更高，找到相同点和不同点，通过损失的反向传播鼓励生成器生成与真实数据相同的点，而惩罚生成器让其不生成与真实数据不同的点。
[0104]
本实施例中，鉴别器的输入包括两个部分：simp生成的64
×
128维度的真实向量表示与生成器输出的64
×
128维度的预测向量表示。鉴别器包括两个模块：线性分类模块和对比学习模块。在线性分类模块中，包含4个cnn块，与生成器的cnn块不同的是，这里的cnn块只包含一个卷积层用于压缩向量，每个cnn块的输出都需要经过batch normalization和relu激活函数，鉴别器输入的两个64
×
128维度的向量表示经过4个cnn块被压缩至32
×
64，16
×
32，8
×
16，4
×
8，最后再通过一个线性层和sigmoid激活函数输出预测向量表示是否为真实向量表示的概率；而在对比学习模块中，直接对比两个64
×
128维度的向量表示的每一个点，计算其相似度并通过损失函数的反向传播让生成器学习到对比的知识。最后将两个模块的损失相加作为鉴别器的损失。
[0105]
在一个具体实施例中，鉴别器d的训练损失lossd包括分类模块的训练损失loss
classifier
和对比模块的训练损失loss
contrastive
：
[0106][0107]
[0108][0109]
lossd＝βiloss
classifier
+β2loss
contrastive
[0110]
其中，τ为温度超参数，sim为余弦相似性。
[0111]
本实施例中，拓扑优化旨在寻找最佳子集其中φ为设计域，即最小化方法中定义的目标函数。
[0112]
在一个具体实施例中，进行对比学习训练时，训练目标以及损失函数由四部分组成：生成器的训练损失lossd，鉴别器的训练损失lossg，生成器的l2正则化损失loss
l2
和体积分数的绝对误差
[0113]
loss
g,d
＝lossg+lossd[0114][0115]
其中，训练目标生成器g试图最小化鉴别器d试图最大化λ1和λ2是常量，用于平衡三个损失函数。
[0116]
本实施例中，如图3所示，对比学习训练使用1张nvidia-rtx3060，一共训练100个epochs，batchsize为64，每个epoch训练完后使用验证集验证模型性能并存储性能最好的模型。对于生成器和鉴别器，分别为其创建一个adam优化器用于优化，其学习率都为0.001。在整个模型的损失函数中的λ1和λ2的值分别设为10000和1。
[0117]
本实施例中，图4和下表展示了本发明与基线模型cgan和topologygan的mae和mse误差值，其中误差值越小代表预测的结果越精确，其中cgan和topologygan分别迭代了500次，而本发明只迭代100次，模型的所需的学习时间大大减少，并且实验结果表明，100次迭代的本发明的mae误差与mse误差均远远小于500次迭代的cgan，而与500次迭代的topologygan相比，其mae误差相差无几且mse误差值已经小于topologygan。
[0118][0119]
本发明公开了：1.使用传统的拓扑优化算法simp生成真实数据标签；2.使用条件对抗生成器g学习生成预测数据及加入了扰动的合成数据；3.使用基于对比学习框架的鉴别器d对比真实数据标签和预测数据之间的差异通过损失的反向传播让生成器g学习到这种差异知识从而更好地生成接近真实数据的预测，由此本发明生成的模型的结构与传统拓扑优化算法生成的结构一致，模型除了从输入的负载分布、边界条件和物理场信息中学习到足够多的知识，还通过使用对比学习对比自身生成的结构与由传统拓扑优化算法生成的结构之间的差异；本发明引入了一个对比损失函数，通过损失的反向传播让模型学习到差异知识，让模型更精准地生成实体有限元部件。
[0120]
实施例3
[0121]
一种基于对比学习的条件生成对抗网络拓扑优化系统，包括数据集生成模块、预
处理模块、模型构建模块、模型训练模块：
[0122]
所述的数据集生成模块用于根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；
[0123]
所述的预处理模块用于对随机数据集进行预处理；
[0124]
所述的模型构建模块用于构建条件生成对抗网络拓扑的模型，，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，并将具有监督对比模块的cnn层作为模型的鉴别器；
[0125]
所述的模型训练模块用于将预处理后的随机数据集输入生成器得到预测数据集，并将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型
[0126]
本发明使用的条件生成对抗网络包括生成器g和鉴别器d，生成器的目的是学习对训练数据进行建模的生成密度函数，根据输入条件生成对应的样本并输入到鉴别器中，相应地，鉴别器的目的是辨别输入的样本是否与真实的数据样本相同，努力找出合成样本与真实样本之间的差异，并反向传播回生成器。因此发明总体主要包括3个部分：1.使用传统的拓扑优化算法simp生成真实数据标签；2.使用条件对抗生成器g学习生成预测数据及加入了扰动的合成数据；3.使用基于对比学习框架的鉴别器d对比真实数据标签和预测数据之间的差异通过损失的反向传播让生成器g学习到这种差异知识从而更好地生成接近真实数据的预测。
[0127]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.一种基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：包括以下步骤：s1.根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；s2.对随机数据集进行预处理；s3.构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，将预处理后的随机数据集输入生成器得到预测数据集；s4.将具有监督对比模块的cnn层作为模型的鉴别器，将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。2.根据权利要求1所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：所述的步骤s1中，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集，具体为:使用基于密度的simp根据设计需求将设计域φ离散化为各项同性固体微结构的有限元网络，将材料密度m
e
建模为在0和1之间变化，其中0代表空，1代表固体，即将规定好的材料密度分配给域内的元素，每个网格元素e的杨氏模量e
e
为e
e
(m
e
)＝e
min
+m
ep
(g-g
min
)其中g是材料刚度，g
min
是无穷小的最小材料刚度，p是惩罚因子，为了避免中间密度的二进制输出；进行拓扑优化以最小化目标函数c(y)：其中y为基于密度的结构设计张量，u和f为全局位移和力向量，k为刚度矩阵，u
i
为元素位移向量，k
i
为元素刚度矩阵，n为元素总个数，vf为体积分数，v
y
代表张量y的体积分数，v0是一个固定值；根据最小化目标函数，生成有限元部件，将生成的有限元部件作为真实数据标签构建随机数据集。3.根据权利要求1所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：生成器采用的resnet神经网络中通过批量正则化层来应对梯度消失和梯度爆炸，并且resnet神经网络中若干层被设置为了跳过其下一层神经元的连接，从而通过隔层相连弱化每层之间的强联系。4.根据权利要求2所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：生成器的se-block块动态地重新校准信道特征，给定输入u∈r
h
×
w
×
c
，通过全局平均池化层收缩为s(u)∈r
c
，然后使用两个完全连接的线性矩阵s(u)进行下采样和上采样，整形操作产生与初始输入u具有相同尺寸的激励输出e(u)，se-block的最终输出是e(u)和u通过元素矩阵乘法的哈达玛乘积：5.根据权利要求4所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在
于：在生成器中计算了两种损失：l2正则化损失loss
l2
和生成器生成的数据与真实数据体积分数的绝对误差loss
l2
(g)＝
x,y
[|-g(f(x))||2]其中，y为真实数据，x为问题输入，f(x)为初始字段，生成器的输入条件r(x)＝[x,f(x)]，vf为体积分数，n为元素总个数。6.根据权利要求5所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：最后生成器的训练损失为：7.根据权利要求6所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：所述的鉴别器包括线性分类模块和对比学习模块；其中：线性分类模块包括数个cnn网络层,用于将输入的高维度向量压缩至相同维度的低维度向量，然后在最后一层加入线性层和sigmoid激活函数，对两个向量直接做二分类任务，即当且仅当生成器输出的有限元向量与simp生成的有限元向量完全一致才会输出1，否则鉴别器判断生成器输出的向量为合成数据，输出为0；对比学习模块直接对比两个高维度向量的每一个点，因为高维度向量包含的信息细粒度更高，找到相同点和不同点，通过损失的反向传播鼓励生成器生成与真实数据相同的点，而惩罚生成器让其不生成与真实数据不同的点。8.根据权利要求7所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：鉴别器d的训练损失loss
d
包括分类模块的训练损失loss
classifier
和对比模块的训练损失loss
contrastive
：：：loss
d
＝1loss
classifier
+2loss
contrastive
其中，τ为温度超参数，sim为余弦相似性。9.根据权利要求8所述的基于对比学习的条件生成对抗网络拓扑优化方法，其特征在于：进行对比学习训练时，训练目标以及损失函数由四部分组成：生成器的训练损失loss
d
，鉴别器的训练损失loss
g
，生成器的l2正则化损失loss
l2
和体积分数的绝对误差loss
g,d
＝oss
g
+oss
d
其中，训练目标生成器g试图最小化鉴别器d试图最大化λ1和λ2是常量，用于平衡三个损失函数。10.一种基于对比学习的条件生成对抗网络拓扑优化系统，其特征在于：包括数据集生成模块、预处理模块、模型构建模块、模型训练模块：所述的数据集生成模块用于根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即simp方法，生成随机数据集；所述的预处理模块用于对随机数据集进行预处理；所述的模型构建模块用于构建条件生成对抗网络拓扑的模型，将se-block块增强的resnet神经网络u-se-resnet作为模型的生成器，并将具有监督对比模块的cnn层作为模型的鉴别器；所述的模型训练模块用于将预处理后的随机数据集输入生成器得到预测数据集，并将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。

技术总结
本发明涉及2D有限元分析技术领域，公开了一种基于对比学习的条件生成对抗网络拓扑优化方法及系统，包括以下步骤：S1.根据设计需求，使用基于密度的具有惩罚的实体各向同性材料方法，即SIMP方法，生成随机数据集；S2.对随机数据集进行预处理；S3.构建条件生成对抗网络拓扑的模型，将SE-Block块增强的ResNet神经网络U-SE-ResNet作为模型的生成器，将预处理后的随机数据集输入生成器得到预测数据集；S4.将具有监督对比模块的CNN层作为模型的鉴别器，将预测数据集和随机数据集输入鉴别器中进行对比学习训练，优化条件生成对抗网络拓扑的模型。本发明解决了无法识别合成样本与真实样本之间的差异，导致结构精度低的问题，且具有精准高效的特点。有精准高效的特点。有精准高效的特点。


技术研发人员：阳爱民 何俊亨 方佳俊 梁昊宇
受保护的技术使用者：广东工业大学
技术研发日：2022.12.29
技术公布日：2023/8/5