[发明专利]基于深度学习的散热器件冷却通道快速拓扑优化设计方法

说明书

基于深度学习的散热器件冷却通道快速拓扑优化设计方法，以典型散热器件为范本，采用传统各向正交惩罚材料密度方法进行完整优化迭代，输出每一迭代步高导热材料的密度分布图和密度梯度分布图作为深度学习算法的输入和训练集，构建深度训练后的深度神经网络；再对待优化的散热器件采用传统各向正交惩罚材料密度方法进行初步迭代，输出初步优化的高导热材料密度分布图和密度梯度分布图作为深度学习算法的训练起点，输入到经前步深度训练后的深度神经网络，开展学习和训练，获得并输出最终优化后的高导热材料密度分布图，并以此构建冷却通道结构的拓扑构型。本发明通过引入深度学习算法，提高了优化设计散热器件冷却通道结构拓扑构型的速度和效率。

技术领域

本发明涉及一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法。

背景技术

电子元器件正在加快朝着超大功率化、高度集成化、大规模化和微小型化发展，随之而来的是越来越严峻的散热、冷却问题；而传统所采用的强制对流换热方式已无法满足超大功率电子元器件的散热、冷却需求；但通过在普通导热材料制成的散热器件表面设计和布置高导热材料，构筑高效散热、冷却通道，达到对热量的高效传输，可以有效解决目前面临的散热、冷却问题。同时，高导热材料的合理设计和布置，一是可以提高导热效率，二是可以减少高导热材料的使用率，节约成本。而当前电子元器件更新换代的速度越来越快，如何快速、高效地优化设计散热器件冷却通道结构显得至关重要。

发明内容

本发明的目的在于提供一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法，将深度学习引入到散热器件冷却通道结构的拓扑优化设计中，通过对传统各向正交惩罚材料密度方法(Solid Isotropic Material with Penalization，SIMP)初步优化得到的冷却通道拓扑构型进行深度学习和训练，快速获得最终的冷却通道拓扑构型，提高散热器件冷却通道结构拓扑优化设计的速度。

为达到以上目的，本发明采取的技术方案为：

一种散热器件冷却通道结构快速拓扑优化设计方法，包含以下步骤：

1)选取已知散热器件作为范本，建立数值分析模型，划分有限元网格，施加边界条件和约束条件；

2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析，获得并输出优化过程中每一迭代步的高导热材料密度分布图和密度梯度分布图；

3)将步骤2)获得的每一步迭代的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练集，进行深度学习和训练，获得训练后的深度神经网络；

4)建立待优化散热器件的数值分析模型，划分有限元网格，施加边界条件和约束条件；

5)采用各向正交惩罚材料密度方法对待优化散热器件进行初步优化分析，经若干迭代步后随即终止迭代，获得并输出待优化散热器件的高导热材料的密度分布图和密度梯度分布图；

6)将步骤5)获得的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练起点，输入到步骤3)获得的经训练后的深度神经网络；

7)开展深度学习与训练，获得并输出训练优化后的待优化散热器件的高导热材料的密度分布图和密度梯度分布图；

8)根据步骤7)获得的高导热材料密度分布图构建冷却通道结构的拓扑构型，完成散热器件冷却通道结构的快速拓扑优化设计。

本发明进一步的改进在于，步骤1)的施加的边界条件具体包含以下内容：

1)生热源的位置、形式和数值大小信息；其中，形式为温度或热流密度；

2)已知散热器件边界处的温度或热流密度信息；

3)热沉的位置、形式和数值大小信息；其中，形式为温度或热流密度。