[发明专利]基于Swin-Transfomer的结构拓扑优化方法

权利要求书

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。