Generación de prediseños estructurales de retículas topológicamente optimizadas mediante el uso de inteligencia artificial

Abstract

[ES] El uso de estructuras reticulares está siendo de gran interés en la actualidad en el sector aeroespacial, ya que proveen gran ligereza y rigidez, permitiendo además absorber cargas con cierta variabilidad respecto de las de diseño, como ocurre por ejemplo en huesos. La obtención de estas estructuras es compleja, ya que requieren una gran resolución, de manera que, si se aborda de manera directa, requeriría el uso de supercomputadores. Por ello, se plantea el uso de retículas, pasando de un problema de optimización global a uno local en cada retícula.

El objetivo es la obtención de estructuras reticulares, donde cada retícula está optimizada según las cargas a las que está sometida. Para esto, es necesario realizar un proceso de optimización topológica en cada una de las retículas. A pesar de tener un problema de optimización de tamaño reducido, su resolución para todas las retículas del componente a diseñar sigue siendo excesivamente costosa si se utilizan las técnicas clásicas de optimización topológica (por ejemplo, el método de los elementos finitos). Por ello, en este trabajo se van a utilizar técnicas existentes de inteligencia artificial, como las redes neuronales convolucionales (CNN) y "long short-term memory" (LSTM) para la aceleración de este proceso de optimización, obteniendo prediseños estructuralmente optimizados de cada retícula en tiempos razonables.

[EN] The use of lattice structures is currently of great interest in the aerospace sector, since they provide great lightness and stiffness, also allowing the absorption of loads with certain variability with respect to design loads, as occurs, for example, in bones. Obtaining these structures is complex, since they require a high resolution, so that, if approached directly, it would require the use of supercomputers. Therefore, the use of lattices is proposed, going from a global optimization problem to a local one in each lattice.

The objective is to obtain lattice structures, where each lattice is optimized according to the loads to which it is subjected. For this, it is necessary to perform a topological optimization process in each of the grids. In spite of having an optimization problem of reduced size, its resolution for all the lattices of the component to be designed is still excessively costly if the classical techniques of topological optimization (for example, the finite element method) are used. Therefore, in this work we are going to use existing artificial intelligence techniques, such as convolutional neural networks (CNN) and long short-term memory (LSTM) to accelerate this optimization process, obtaining structurally optimized pre-designs of each grid in reasonable times.