基于学习型敏度的参数化水平集拓扑优化方法

针对水平集拓扑优化方法中敏度推导复杂、无梯度拓扑优化方法浪费计算资源等问题,提出了一种基于学习型敏度的参数化水平集拓扑优化方法。该方法根据结构离散单元的力学信息构造局部状态特征,以局部状态特征为输入、优化目标为输出,建立拓扑优化敏度学习的神经网络模型,并采用自适应协方差进化算法训练神经网络,得到拓扑优化敏度学习的最优神经网络参数。通过数值算例,讨论了激活函数和隐藏层神经元数量对拓扑优化结果的影响,验证了基于学习型敏度的参数化水平集拓扑优化方法的有效性。