Performance analysis of CNN-enhanced genetic algorithm for topological optimization in metamaterial design

Abstract

Поєднання згорткових нейронних мереж (CNN) та генетичних алгоритмів (GA), створює перспективний підхід для топологічної оптимізації складних ґратчастих структур. Ґратчасті структури використовують як основу для комплексних метаматеріалів. Розглянуто здатність методу генерувати оптимальні ґратчасті структури із мінімальним використанням матеріалу. Згорткову нейронну мережу використано як інструмент аналізу, що може оцінювати та прогнозувати ключові параметри згенерованих ґратчастих структур. Основна мета алгоритму – генерація широкого спектра конфігурацій, що згодом нейронна мережа використає як навчальні дані. Ключові показники продуктивності охоплюють стійкість до навантаження, відношення міцності згенерованого матеріалу до його ваги, час, необхідний для генерації ґратчастих структур, та точність генерації. Ці показники застосовуються як інструменти для оцінювання продуктивності методу в заданих умовах навколишнього середовища. Метод CNN-GA може створювати високоефективні, легкі структури із високою продуктивністю та збереженням матеріалу. Відповідні засоби випадкової генерації, наявні в гене- тичному алгоритмі, здатні виявляти унікальні конфігурації ґратчастих решіток та пропонувати варіанти, які можуть проігнорувати стандартні методи оптимізації. Проте ефективність методу обмежується наявними ресурсами і можливостями обчислювальної системи. Крім того, точність системи прогнозування обмежується засобами випадкової генерації. Наведений аналіз висвітлює переваги методу, потенційні обмеження та практичні аспекти використання, а також закладає основу для майбутніх досліджень, спрямованих на удосконалення методів топологічної оптимізації метаматеріалів.

The Combination of Convolutional Neural Networks (CNN) and Genetic Algorithms (GA) provides a promising approach for topological optimization of complex lattice structures. Lattice structures are commonly used as base in the design of high-performance metamaterials. This paper presents a review of the effectiveness and efficiency of the CNN-GA method. We will examine the ability of the method to generate optimal complex structures while minimizing material usage. CNN is utilized mainly as an analysis instrument. That can evaluate and predict key structural properties of generated lattice structures. The key purpose of the GA algorithm is to provide diverse design configurations that will be later identified as optimal structures by CNN. Key performance metrics include load-bearing capacity, strength-to-weight ratio, computational time, and scalability. These key points can be utilized as tools that will evaluate the method`s performance for a real-world application. The CNN-GA method can produce highly efficient, lightweight structures with high performance and material economy compared to traditional optimization techniques. Moreover, genetic algorithm random exploration techniques can reveal unique lattice configurations and provide an option that might be overlooked by a standard deterministic method. However, the method's effectiveness is partially constrained by its operations, which may consume a lot of computational resources and time for a significant result. Additionally, the accuracy of this method's prediction system is compromised by the inherent nature of the GA generation process. This analysis highlights the method`s strengths, potential limitations, and practical implications and provides a foundation for future research aimed at refining machine learning-based topological optimization methods.