原文传递
基于深度学习的拓扑优化结果分割方法研究
| 论文题名： | 基于深度学习的拓扑优化结果分割方法研究 |
| 关键词： | 汽车设计;拓扑优化;几何重构;深度学习 |
| 摘要： | 拓扑优化方法在减轻设计件质量同时保证优化后部件具有良好的力学性能，但拓扑优化输出结果一般为点云或面片形式，无法直接进行后续的制造与尺寸优化等处理，需对其进行重构获取参数化几何模型。对拓扑优化结果等复杂模型的参数化重构建立在几何分割基础上，其本质为对三维及二维几何的分割拟合。传统分割方式对人工参与度与时间复杂度的需求巨大，且不同设计师分割结果没有一定规范性，不能保证重构模型的质量。深度学习方法具有实时性与稳定性，能有效规避传统分割方法的不足，本文基于深度学习理论对拓扑优化结果的分割方法进行研究，并基于深度学习点云分割提出拓扑优化结果重构方法，具体研究内容如下： ①提出一种基于深度学习点云分割的拓扑优化结果重构方法。通过视图方法描述拓扑优化结果，采用骨架提取以及深度学习3D点云分割方法分割复杂模型为简单部件保证部件可直接通过视图投影表示特征，采用深度学习点云实例分割方法结合特征点循环删减方法进行2D轮廓点云分割，采用直线与圆弧拟合分割后轮廓点云以生成重构轮廓最终结合视图方法获得3D重构模型。 ②提出深度学习轮廓点云实例分割方法，解决依赖特征点分割的传统分割方法时间复杂度高等问题，提高了2D轮廓点云分割效率。基于深度学习方法对轮廓点云以直线圆弧两种语义进行实例分割训练，获得最优模型中直线标签精确率为0.922，召回率为0.9，圆弧标签精确率为0.817，召回率为0.83，实例分割平均准确率0.853；以汽车动力总成悬置支架拓扑优化结果为算例对轮廓点云分割及基于点云分割的重构方法进行验证，结果表明该方法重构的3D模型能有效表现拓扑优化结果特征并降低后续处理难度。 ③提出采用深度学习对车身、车架等固定类型部件拓扑优化结果点云的分割方法及流程，以高效划分拓扑优化结果为直接用于视图投影表示的简单部件。以承载式车身简化模型作为目标获取车身点云分割器，车身点云平均分割准确率为评价指标，获得最优模型准确率为0.877。分割算例结果表明模型整体分割效果较好，对相邻边界的相似结构分割可能会出现分割错误现象，结合算例来看错误分割对车身后续的二维投影影响不大。最后结合上述方法建立针对车身的拓扑优化重构平台，以简化车身拓扑优化结果重构流程。 本文通过研究基于深度学习的拓扑优化结果分割方法，降低了基于分割拟合拓扑优化结果重构的时间成本，加大了重构效率，为后续特征分割及几何重构方面的研究提供了解决思路。 |
| 作者： | 阮剑 |
| 专业： | 车辆工程 |
| 导师： | 胡三宝;冯志勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
