構造力学を考慮した3次元形状深層生成モデルの提案

抄録

構造力学パラメーターを組み込んだ 3D 形状の深層生成モデルとトポロジー最適化によって作成された 6,667 形状のデータセットを提案する。我々のモデルは、符号付き距離関数 (SDF) として形状を陰的に表すデコーダー タイプのニューラルネットワークである DeepSDF を基礎とする。DeepSDF を拡張して、ひずみエネルギー、荷重方向、体積、寸法などの構造力学パラメータに基づいて条件付き生成を行う。また、生成する 3D 形状の空間解像度を向上させるためにポジショナル・エンコーディングも導入する。我々のデータセットは、ビルディングキューブ法を使用した線形トポロジー最適化によって生成されたさまざまな 3D 形状で構成され，ひずみエネルギーを形状の構造性能の定量的な指標として使用する。このデータセットにより深層生成モデルをトレーニングし、構造力学パラメータを反映する 3D 形状を生成する機能を評価する。本論文の結果は、訓練済みの深層生成モデルが高い忠実度と多様性を備えた 3D 形状を生成でき、テスト形状に対して 88.8% の平均再構成精度を達成できることを示した。本論文で提案する深層生成モデルとデータセットは、深層学習を使用した 3D 形状生成と構造設計の新たな可能性を拓くものである。