基于Swin-Transfomer的结构拓扑优化方法

基于swin-transfomer的结构拓扑优化方法
技术领域
1.本发明涉及计算机深度学习的技术领域，具体地，涉及深度学习方法在结构拓扑优化的应用；更具体的，涉及一种基于swin-transfomer的结构拓扑优化方法。


背景技术：

2.结构拓扑优化是为了在给定的设计域、载荷和边界条件下获得最佳的材料分布，以实现最佳的结构性能。拓扑优化可以方便工程师提出高效且新颖的概念设计方案；因此，它在工程领域引起了广泛的关注，并成为最近优化的重点。在优化问题中，涉及的计算通常涉及许多迭代过程。每个迭代过程通常需要对整个结构进行有限元计算。是一个计算昂贵、占用内存和耗时的过程。这些缺点限制了设计空间探索的机会，禁止了交互设计。
3.计算机辅助工程可以从几何深度学习革命中受益，类似于深度学习革命计算机视觉的方式。与传统的拓扑优化方法相比，深度学习方法无需进行重复迭代，能快速准确地优化复杂形状。现有的深度学习方法通常是使用卷积神经网络(cnn)构建模型，捕捉应力矩阵的信息，对结构进行拓扑优化。如公告日为2022.08.05的中国发明专利：一种基于卷积神经网络的结构拓扑构型预测方法中所示，包括：构建训练数据集，其中的每一个训练样本包含结构的最优拓扑构型和对应的多通道张量；结构预设体积分数、载荷位置和载荷方向中任一项发生变化时，至少一个通道会发生相应的变化；建立网络模型，其中，多个编码模块用于提取多通道张量的多个不同尺度的特征图谱；se-resnet模块用于获取特征图谱中各通道的注意力权重并融合至特征图谱；解码模块以前一模块及对应编码模块输出的特征图谱为输入，用于将特征图谱扩张到目标尺寸；利用训练数据集对网络模型进行训练，在训练结束后，得到结构最优拓扑构型预测模型。
4.但卷积神经网络(cnn)存在局限性，其无法建立相距较远像素点之间的联系，即无法获得全局感受野，另外，即使通过加深网络层数，相聚越远的像素点之间的可行信息传递路径越少，无法做到平均的全局感受野。


技术实现要素：

5.针对现有技术的局限，本发明提出一种基于swin-transfomer的结构拓扑优化方法，本发明采用的技术方案是：
6.一种基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，包括以下步骤：
7.s1，获取结构样本；对所述结构样本进行拓扑优化，获得初始应力矩阵以及样本优化结果；所述初始主应力矩阵为在前述拓扑优化过程的第一次迭代中通过有限元分析获得的主应力矩阵；
8.s2，构建基于swin-transfomer架构的模型；
9.s3，以所述初始主应力矩阵表示的图片作为训练数据，以所述样本优化结果作为训练标签，对所述步骤s2构建的模型进行训练，获得结构拓扑优化预测模型。
10.相较于现有技术，本发明提出了一种基于swin-transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。
11.作为一种优选方案，在所述步骤s1中，通过最小化目标函数对所述结构样本进行拓扑优化：
[0012][0013]
其中，ρ为结构密度变量向量；u为全局位移，上标t表示转置；f为力向量；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；θ为体积系数；v(ρ)代表密度变量ρ的有效体积；v0是密度变量为1时的体积，表示设计域的大小；p是惩罚因子。
[0014]
作为一种优选方案，所述步骤s2构建的模型包括依序连接的一个swin-transfomer网络以及一个深度为2层、神经元个数分别为[8192,12288,8192]的全连接层。
[0015]
进一步的，在所述swin-transfomer网络中，对输入的图片包括以下四个阶段的操作：
[0016]
将输入的图片i分成32
×
16个块状i0，所述块状i0的维度为4
×
4；所述块状i0经过[16，256]的全连接层压缩成长度为256的向量，得到384个维度为256的块状i1；所述块状i1依序经过两个维度为32
×
16
×
256维的swin-transfomer块，再经过一个全连接层，压缩成128维，得到32
×
16个维度为128的块状i2；
[0017]
将所述块状i2按照2
×
2的相邻块状合并，得到16
×
8个维度为512的块状i3；所述块状i3依序经过两个维度为16
×8×
512维swin-transfomer块，再经过一个全连接层，压缩成256维，得到16
×
8个维度为256的块状i4；
[0018]
将所述块状i4按照2
×
2的相邻块状合并，得到8
×
4个维度为1024的块状i5；所述块状i5依序经过六个维度为8
×4×
1024的swin-transfomer块，再经过一个全连接层压缩，得到8
×
4个维度为512的块状i6；
[0019]
将所述块状i6按照2
×
2的相邻块状合并，输入两个swin-transfomer块，再经过全连接层压缩，得到4
×
2个维度为1024的if作为所述swin-transfomer网络的输出。
[0020]
进一步的，在所述步骤s3训练过程中的损失函数如下：
[0021][0022][0023]
其中，t表示训练样本的总数，m、n分别表示样本设计域的长、宽；是表示所述样本优化结果的单个元素的密度，是模型预测的单个元素的密度；msd表示标准的平方差损失。
[0024]
更进一步的，在所述步骤s3训练结束后，根据以下公式评估模型的性能，调整模型的参数：
[0025][0026][0027]
其中，μ是一个自定义的阈值，φi(ρ
p
)是一个相似性判别函数，用来判别两个结构之间是否相似。
[0028]
本发明还包括以下内容：
[0029]
一种基于swin-transfomer的结构拓扑优化方法，包括以下步骤：获取待优化结构的初始应力矩阵；将待优化结构的初始应力矩阵输入由前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。
[0030]
相较于现有技术，本发明提出了一种基于swin-transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。
[0031]
一种基于swin-transfomer的结构拓扑优化系统，包括依序连接的待优化数据获取模块以及预测模块；其中：
[0032]
所述待优化数据获取模块用于获取待优化结构的初始应力矩阵；
[0033]
所述预测模块用于将待优化结构的初始应力矩阵输入由前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。
[0034]
一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时，实现如前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如前述的基于swin-transfomer的结构拓扑优化方法的步骤。
[0035]
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时，实现如前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如前述的基于swin-transfomer的结构拓扑优化方法的步骤。
附图说明
[0036]
图1为本发明实施例1提供的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法的步骤示意图；
[0037]
图2为本发明实施例1使用的模型架构示意图；
[0038]
图3为本发明实施例1使用的swin-transfomer块示意图；
[0039]
图4为本发明实施例1的测试比对结果；
[0040]
图5为本发明实施例3提供的基于swin-transfomer的结构拓扑优化系统的示意图。
具体实施方式
[0041]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0042]
应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术实施例保护的范围。
[0043]
在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0044]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0045]
此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
[0046]
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0047]
实施例1
[0048]
一种基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，包括以下步骤：
[0049]
s1，获取结构样本；对所述结构样本进行拓扑优化，获得初始应力矩阵以及样本优化结果；所述初始主应力矩阵为在前述拓扑优化过程的第一次迭代中通过有限元分析获得的主应力矩阵；
[0050]
s2，构建基于swin-transfomer架构的模型；
[0051]
s3，以所述初始主应力矩阵表示的图片作为训练数据，以所述样本优化结果作为训练标签，对所述步骤s2构建的模型进行训练，获得结构拓扑优化预测模型。
[0052]
相较于现有技术，本发明提出了一种基于swin-transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。
[0053]
具体的，寻找最小柔度是拓扑优化问题的关键。传统拓扑优化计算通常首先要调用有限元分析程序求解出位移矩阵，然后计算灵敏度，为了防止棋盘格现象，还需要进行网
格过滤，最后使用oc准则优化设计变量。这方法需要在每次迭代时运行一个新的物理模拟，因此计算量很大。因此，自动拓扑优化成为cae社区的一个长期目标是很自然的。神经网络通过在内部提取数据集中不同变量/参数之间的一组模式或关联，然后使用这些模式来预测给定的一些输入变量感兴趣的输出。卷积神经网络(cnn)非常适合对图像/空间数据领域进行建模，但cnn网络需要经过多次卷积扩大感受野。而transfomer通过参与和多头注意力机制自动学习感受野，即自动学习出与某一像素相关像素位置的感受野。从这种理解来看，transfomer更加智能，柔性大，cnn为人工设定。这种情况下，可以猜测，数据量较小的时候cnn效果会更好(transfomer可能过拟合)，数据量越大transfomer效果越好。
[0054]
为了改善cnn中存在的问题，本实施例引入了swin-transfomer。swin-transfomer构建了多层特征映射，使图像计算的时间复杂度降低为线性。通过这些分层特征映射，可以方便地利用高级技术进行密集预测。通过在图像切分成的局部非堆叠窗口中使用自注意力机制可以取得线性计算复杂度。这些优点使其适合作为各种视觉任务的通用骨干，而不像以前的架构生成单一分辨率的特征图且计算复杂度为二次方。swin-transformer的一个关键的元素是在连续的自注意力层之间设计窗口分区移动。移动的窗口桥接了前一层的窗口，提供了它们之间的连接，显著增强了建模能力。移位窗口方法也被证明对全mlp架构有益。最新的swin-transfomer使用滑动窗口机制实时的计算效率从on2降到on，通过循环移动进一步解决了感受野大小只能与窗口大小相等的问题。这项工作的重点是利用swin-transfomer神经网络进行学习，输出预测的优化拓扑。
[0055]
作为一种优选实施例，在所述步骤s1中，通过最小化目标函数对所述结构样本进行拓扑优化：
[0056][0057]
其中，ρ为结构密度变量向量；u为全局位移，上标t表示转置；f为力向量；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；θ为体积系数；v(ρ)代表密度变量ρ的有效体积；v0是密度变量为1时的体积，表示设计域的大小；p是惩罚因子，一般取3。以上过程亦可直接采用固体各向同性材料惩罚模型(simp：solid isotropic material with penalization)方法来完成。
[0058]
作为一种优选实施例，所述步骤s2构建的模型包括依序连接的一个swin-transfomer网络以及一个深度为2层、神经元个数分别为[8192,12288,8192]的全连接层。
[0059]
具体的，本实施例采用的swin-transformer架构，和cnn架构非常相似，构建了4个阶段，每个阶段中都是类似的重复单元。和vit类似，通过块状分区将输入图片h
×w×
3划分为不重合的块状集合，其中每个块状尺寸为4
×
4，那么每个块状的特征维度为4
×4×
3＝48，块状的数量为h/4
×
w/4；阶段1部分，先通过一个全连接层将划分后的块状特征维度变成c，然后送入swin-transfomer块；阶段2-阶段4操作相同，先通过一个块状聚合，将输入按照2
×
2的相邻块状合并，这样子块状的数量就变成了h/8
×
/8，特征维度就变成了4c，然后使用全连接层将4c压缩成2c，然后送入swin-transfomer块。
[0060]
因此，进一步的，请参阅图2，在所述swin-transfomer网络中，对输入的图片包括
以下四个阶段的操作：
[0061]
将输入的图片i分成32
×
16个块状i0，所述块状i0的维度为4
×
4；所述块状i0经过[16，256]的全连接层压缩成长度为256的向量，得到384个维度为256的块状i1；所述块状i1依序经过两个维度为32
×
16
×
256维的swin-transfomer块，再经过一个全连接层，压缩成128维，得到32
×
16个维度为128的块状i2；
[0062]
将所述块状i2按照2
×
2的相邻块状合并，得到16
×
8个维度为512的块状i3；所述块状i3依序经过两个维度为16
×8×
512维swin-transfomer块，再经过一个全连接层，压缩成256维，得到16
×
8个维度为256的块状i4；
[0063]
将所述块状i4按照2
×
2的相邻块状合并，得到8
×
4个维度为1024的块状i5；所述块状i5依序经过六个维度为8
×4×
1024的swin-transfomer块，再经过一个全连接层压缩，得到8
×
4个维度为512的块状i6；
[0064]
将所述块状i6按照2
×
2的相邻块状合并，输入两个swin-transfomer块，再经过全连接层压缩，得到4
×
2个维度为1024的if作为所述swin-transfomer网络的输出。
[0065]
if输入深度为2层、神经元个数分别为[8192,12288,8192]的全连接层后，得到维度为8192的输出结果，然后将重新排列成128
×
64的图像，每一个像素即该元素的相对密度，最终输出原始结构的优化结果。
[0066]
具体的，swin-transfomer块由两个transformer块组成，前一个使用w-msa(窗口-多头注意力)，后一个使用sw-msa(滑动窗口-多头注意力)，更具体的，请参阅图3，swin-transfomer块中涉及以下操作：
[0067][0068]
这里ln代表着批处理操作，z
l-1
是经过全连接层将划分后的块状特征维度变成c或块状聚合，将输入按照2
×
2的相邻块状合并处理后的输入；首先对z
l-1
进行批处理操作，再将结果输入w-msa层。然后将经过w-msa层处理的输出与原始输入z
l-1
进行残差连接，得到输入到下一个步骤；
[0069][0070]
将进行批处理操作，然后经过一个全连接神经网络，得到的结果再与进行残差连接，得到z
l
。z
l
是经过第一个transformer处理后的输出，作为下一个transformer的输入；
[0071][0072]
对z
l
进行批处理操作，然后经过sw-msa层的处理后，再进行残差连接，得到
[0073][0074]
最后对进行批处理后，同样经过一个全连接神经网络的处理后，再进行残差连接；z
l+1
是经过一个swin-transfomer块处理后的输出，然后作为下一个阶段的输入。
[0075]
先来看w-msa，多个块状组成的区域就是一个窗口，比如m块状
×
m块状。也就是把一张图片均匀划分为多个窗口，w-msa在每个窗口内独立的进行自注意力，也就是本地自注意力。
[0076]
接着看sw-msa。w-msa相比于原始的全局自注意力，在计算效率上有优势，但是缺陷很致命，自注意力主打的就是全局信息的交互，而w-msa将自注意力局限到了一个窗口内，窗口和窗口之间没法交互，还是只能利用局部信息建模。自注意力的公式如下：
[0077][0078]
w-msa有一个很致命的缺陷，自注意力主打的就是全局信息的交互，而w-msa将自注意力局限到了一个窗口内，窗口和窗口之间没法交互，还是只能利用局部信息建模。为了解决这个问题，swin-transfomer提出了一种“循环移动窗口”操作，即将w-msa中划分好窗口的图片先向左平移个块状，再向上平移个块状，得到图片的移动窗口划分方式。划动窗口的划分方法使得上一层相邻的不重合窗口之间有了连接，增大了感受野。
[0079]
进一步的，在所述步骤s3训练过程中的损失函数如下：
[0080][0081][0082]
其中，t表示训练样本的总数，m、n分别表示样本设计域的长、宽；是表示所述样本优化结果的单个元素的密度，是模型预测的单个元素的密度；msd表示标准的平方差损失。
[0083]
然而，模型可能会陷入局部模式崩溃的现象，即模型不能对一些难训练的样本进行预测，只能对容易训练的样本产生较好的或者相同的预测。因此，需要一套方法来评估模型的质量。因此，更进一步的，在所述步骤s3训练结束后，根据以下公式评估模型的性能，调整模型的参数：
[0084][0085][0086]
其中，μ是一个自定义的阈值，φi(ρ
p
)是一个相似性判别函数，用来判别两个结构之间是否相似。
[0087]
接下来，本实施例将结合具体数据进行说明：
[0088]
其中，数据集采用基于simp算法进行拓扑优化生成，设定目标函数的惩罚系数p为3，simp网格过滤子程序的半径r为2，体积分数统一设置为0.7。然后选取10000个悬臂梁样本，设计域大小为128
×
64。在本实施例中，统一固定左边第一列节点以及右下角节点作为约束；载荷的生成位置为设计域的右半部分边界点；共有191个；载荷的方向有3个，分别是水平、垂直以及45
°
，由于存在拉力以及压力，因此载荷的情况共有8种。然后随机选择方向和位置生成f＝1的边界载荷，总共有1528种边界载荷不同的样本。然后采用simp算法对对样本进行一次迭代，得到大小为16770
×
16770的应力矩阵f
′
。矩阵f
′
中的每个元素代表了某个节点沿水平或垂直方向的应力，其中水平方向的记为σ
x
，垂直方向记为σy。计算该节
点的应力：由于一个网格或密度变量共有4个节点，因此共有4个应力σ，选取最大的σ最为主应力。这样就得到了大小为128
×
64的初始应力矩阵f，作为后续模型的输入。接着继续迭代，获得最终的优化结果y，最为监督标签。将整个数据集划分为训练集(80％)和测试集(20％)用于后续的训练以及测试证。
[0089]
通过函数s(ρ
p
)来评估该模型，在本实施例中，μ＝0.25。s(ρ
p
)实际上是将被判断为相似的预测结果与总体样本的百分比视为评估结果。通过不断迭代，寻找到最优的模型。
[0090]
测试结果中，模型预测的优化结构与simp算法生成的优化结构对比可参阅图4。
[0091]
实施例2
[0092]
一种基于swin-transfomer的结构拓扑优化方法，包括以下步骤：获取待优化结构的初始应力矩阵；将待优化结构的初始应力矩阵输入由实施例1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。
[0093]
相较于现有技术，本发明提出了一种基于swin-transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。
[0094]
实施例3
[0095]
一种基于swin-transfomer的结构拓扑优化系统，请参阅图5，包括依序连接的待优化数据获取模块1以及预测模块2；其中：
[0096]
所述待优化数据获取模块1用于获取待优化结构的初始应力矩阵；
[0097]
所述预测模块2用于将待优化结构的初始应力矩阵输入由前述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。
[0098]
实施例4
[0099]
一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时，实现如实施例1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由实施例1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如实施例2所述的基于swin-transfomer的结构拓扑优化方法的步骤。
[0100]
实施例5
[0101]
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时，实现如实施例1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由实施例1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如实施例2所述的基于swin-transfomer的结构拓扑优化方法的步骤。
[0102]
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。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，包括以下步骤：s1，获取结构样本；对所述结构样本进行拓扑优化，获得初始应力矩阵以及样本优化结果；所述初始主应力矩阵为在前述拓扑优化过程的第一次迭代中通过有限元分析获得的主应力矩阵；s2，构建基于swin-transfomer架构的模型；s3，以所述初始主应力矩阵表示的图片作为训练数据，以所述样本优化结果作为训练标签，对所述步骤s2构建的模型进行训练，获得结构拓扑优化预测模型。2.根据权利要求1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述步骤s1中，通过最小化目标函数对所述结构样本进行拓扑优化：其中，ρ为结构密度变量向量；u为全局位移，上标t表示转置；f为力向量；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；θ为体积系数；v(ρ)代表密度变量ρ的有效体积；v0是密度变量为1时的体积，表示设计域的大小；p是惩罚因子。3.根据权利要求1所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，所述步骤s2构建的模型包括依序连接的一个swin-transfomer网络以及一个深度为2层、神经元个数分别为[8192,12288,8192]的全连接层。4.根据权利要求2所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述swin-transfomer网络中，对输入的图片包括以下四个阶段的操作：将输入的图片i分成32
×
16个块状i0，所述块状i0的维度为4
×
4；所述块状i0经过[16，256]的全连接层压缩成长度为256的向量，得到384个维度为256的块状i1；所述块状i1依序经过两个维度为32
×
16
×
256维的swin-transfomer块，再经过一个全连接层，压缩成128维，得到32
×
16个维度为128的块状i2；将所述块状i2按照2
×
2的相邻块状合并，得到16
×
8个维度为512的块状i3；所述块状i
i
依序经过两个维度为16
×8×
512维swin-transfomer块，再经过一个全连接层，压缩成256维，得到16
×
8个维度为256的块状i4；将所述块状i4按照2
×
2的相邻块状合并，得到8
×
4个维度为1024的块状i5；所述块状i5依序经过六个维度为8
×4×
1024的swin-transfomer块，再经过一个全连接层压缩，得到8
×
4个维度为512的块状i6；将所述块状i6按照2
×
2的相邻块状合并，输入两个swin-transfomer块，再经过全连接层压缩，得到4
×
2个维度为1024的i
f
作为所述swin-transfomer网络的输出。5.根据权利要求2所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述步骤s3训练过程中的损失函数如下：
其中，t表示训练样本的总数，m、n分别表示样本设计域的长、宽；是表示所述样本优化结果的单个元素的密度，是模型预测的单个元素的密度；msd表示标准的平方差损失。6.根据权利要求5所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，其特征在于，在所述步骤s3训练结束后，根据以下公式评估模型的性能，调整模型的参数：参数：其中，μ是一个自定义的阈值，φ
i
(ρ
p
)是一个相似性判别函数，用来判别两个结构之间是否相似。7.一种基于swin-transfomer的结构拓扑优化方法，其特征在于，包括以下步骤：获取待优化结构的初始应力矩阵；将待优化结构的初始应力矩阵输入由如权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。8.一种基于swin-transfomer的结构拓扑优化系统，其特征在于，包括依序连接的待优化数据获取模块(1)以及预测模块(2)；其中：所述待优化数据获取模块(1)用于获取待优化结构的初始应力矩阵；所述预测模块(2)用于将待优化结构的初始应力矩阵输入由权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型中，得到预测的优化结构。9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如权利要求7所述的基于swin-transfomer的结构拓扑优化方法的步骤。10.一种计算机设备，其特征在于：包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法，和/或由权利要求1至6任一项所述的基于swin-transfomer架构的结构拓扑优化预测模型的建立方法所建立的结构拓扑优化预测模型，和/或如权利要求7所述的基于swin-transfomer的结构拓扑优化方法的步骤。

技术总结
本发明针对现有技术的局限性，提出了一种基于Swin-Transfomer的结构拓扑优化方法，本发明提出了一种基于Swin-Transfomer的神经网络架构，该架构从初始应力中学习，该模型利用结构的初始主应力矩阵代替结构的荷载情况和边界条件作为输入，可以基于相对较少的样本产生高精度的拓扑预测结果；还可以通过反向传播进行自我调整，以达到更好地预测优化结果。以达到更好地预测优化结果。以达到更好地预测优化结果。


技术研发人员：阳爱民 陈治锦 白期风 周星燃
受保护的技术使用者：广东工业大学
技术研发日：2023.03.28
技术公布日：2023/8/9