Rank Reduction AutoEncoders for Mechanical Design: Advancing Novel and Efficient Data-Driven Topology Optimization

Technische Samenvatting: Rank Reduction AutoEncoders voor Mechanisch Ontwerp

Probleemstelling
Topologieoptimalisatie (TO) is een cruciale tool voor het synthetiseren van hoogwaardige structuren, maar blijft computationeel duur, vooral wanneer herhaalde analyses vereist zijn voor het verkennen van de ontwerpruimte, onzekerheidsanalyse of invers ontwerp. Traditionele TO-workflows omvatten het herhaaldelijk oplossen van hoogdimensionale eindige-elementenproblemen (FE), waarbij geoptimaliseerde geometrieën worden gerepresenteerd door dichte dichtheidsvelden. Hoewel machine learning (ML) datagedreven alternatieven biedt, kampen standaardbenaderingen vaak met beperkte interpreteerbaarheid, slechte extrapolatie en moeilijkheden bij het afhandelen van inverse problemen waarbij meerdere geometrieën identieke prestatieparameters kunnen opleveren. Bovendien kunnen standaard autoencoders redundantie of overfitting introduceren bij het comprimeren van hoogdimensionale TO-data.

Methodologie
Het artikel stelt een verenigd datagedreven framework voor dat Rank Reduction AutoEncoders (RRAEs) combineert met neurale latente-ruimte-mappings om de relatie tussen geoptimaliseerde geometrieën en hun mechanische respons (Quantities of Interest, of QoIs) te modelleren. De methodologie is als volgt gestructureerd:

1. Data-generatie: Een dataset wordt gegenereerd met behulp van de Solid Isotropic Material with Penalization (SIMP)-methode voor een compliance-minimalisatieprobleem op een halve MBB-balk. De dataset bevat geoptimaliseerde topologieën (geometrieën) en de bijbehorende mechanische respons (von Mises-spanningverdelingen) onder variërende volumefracties.
2. Dimensiereductie (RRAE): In plaats van standaard autoencoders gebruikt het framework RRAEs. Deze architectuur codeert hoogdimensionale data (geometrieën of spanningsvelden) naar een latente ruimte, die vervolgens wordt onderworpen aan een getrunceerde Singular Value Decomposition (SVD). Dit proces behoudt alleen de meest significante modi (latente coëfficiënten), waardoor de dominante geometrische en fysieke kenmerken effectief worden geïdentificeerd terwijl een laag-rang benadering wordt gewaarborgd.
   • Er worden aparte RRAE-modellen getraind voor de geometrie (met behulp van een CNN-RRAE voor 2D-dichtheidsvelden) en voor de QoIs.
3. Latente Ruimte Mapping: Multilayer Perceptrons (MLPs) worden getraind om de laagdimensionale latente coëfficiënten van de geometrie ($\alpha$) te mappen naar die van de oplossing ($\beta$) en vice versa.
   • Direct probleem ($\text{geo} \to \text{sol}$): Het voorspellen van structurele responsen vanuit een gegeven geometrie.
   • Invers probleem ($\text{sol} \to \text{geo}$): Het reconstrueren van geometrieën vanuit voorgeschreven prestatiedoelen.
4. QoI Variaties: De studie evalueert drie verschillende typen QoIs om de impact op de modelgetrouwheid te bepalen:
   • Scalair: Maximale von Mises-spanning (globale metriek).
   • 1D-veld: von Mises-spanning waarden langs de diagonaal van het domein (belangrijkste belastingspad).
   • 2D-veld: Volledige von Mises-spanningverdeling over het gehele domein.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. Efficiënte Dimensiereductie: Het introduceert RRAEs als een adaptieve tool voor het reduceren van de dimensionaliteit van TO-data, waarbij gebruik wordt gemaakt van getrunceerde SVD om computationele efficiëntie en robuustheid te waarborgen terwijl dominante modi worden vastgelegd.
2. Vergelijkende Analyse van QoIs: Het biedt een systematische analyse van hoe de informatie-inhoud van de QoI (scalair versus 1D versus 2D velden) de nauwkeurigheid en robuustheid van zowel de forward als de inverse surrogaatmodellen beïnvloedt.
3. Generatief Ontwerp Framework: Het demonstreert een latent-ruimte-gebaseerd framework dat de synthese van nieuwe geometrieën en responsen faciliteert, wat snelle exploratie van geoptimaliseerde structurele lay-outs mogelijk maakt zonder volledige FE-problemen op te lossen.

Numerieke Resultaten
Het framework werd gevalideerd op een benchmark half MBB-balk probleem met 100 trainingsmonsters en 20 testmonsters (variërend in volumefracties).

• Scalaire QoI: Deze casus bleek het meest uitdagend. De mapping van geometrie naar een enkele scalaire waarde is inherent niet-bijectief. Bij gevolgde is de inverse problem leed aan overfitting (memorizatie) en produceerde geometrieën die geen fysieke betekenis hadden bij extrapolatie. De reconstructiefout voor inverse problemen was hoog ($\approx 20\%$).
• 1D-veld QoI: Het gebruik van het spanningsveld langs de diagonaal verbeterde de prestaties aanzienlijk. De reconstructiefout voor het inverse probleem daalde naar $\approx 7,6\%$ (testset), en het model genereerde succesvol fysiek plausibele geometrieën die overeenkwamen met de doelspanningen.
• 2D-veld QoI: Deze benadering leverde de beste algehele prestaties op. Door de volledige spanningsverdeling te gebruiken, bereikte het framework hoge-getrouwheid voorspellingen.
  • Direct probleem: De $R^2$-coëfficiënt bereikte $0,999$ op de testset.
  • Invers probleem: De reconstructiefout voor geometrieën was $7,80\%$ (testset), waarbij de voorspelde volumefracties nauw aansloten bij de grondwaarheid.
  • De resultaten geven aan dat rijkere QoIs de noodzakelijke informatie bieden om de slecht gestelde aard van het inverse probleem op te lossen, wat leidt tot robuuste en nauwkeurige surrogaatmodellen.

Betekenis en Claims
De auteurs beweren dat dit framework een computationeel efficiënt surrogaat biedt voor FE-analyse in TO-workflows. De studie benadrukt dat de rijkdom van de QoI de kritieke factor is in het succes van invers ontwerp; het te agressief comprimeren van de oplossing (bijv. naar een scalair) maakt het inverse probleem slecht gesteld.

De methodologie wordt gepresenteerd als een fundament voor Generative Design (GD). Door te opereren in een laag-rang latente ruimte afgeleid van SVD, maakt het framework interpolatie van nieuwe punten mogelijk om nieuwe geometrieën en responsen te synthetiseren die fysiek plausibel blijven. De auteurs positioneren RRAEs als een verenigend instrument voor reduced-order modeling, invers ontwerp en datagedreven exploratie, waarbij zij opmerken dat toekomstig werk zich zal richten op het uitbreiden hiervan naar multi-parameter ontwerpomgevingen en het integreren van physics-informed constraints.