Двухэтапное прогнозирование топологии упругой пластины с помощью CNN и GAN

Матвеева, А. И.; Новокшенов, А. Д.; Карчевская, А. С.; Боровков, А. И.; Щербаков, С. С.; Подгайская, Д. А.; Мендель, А. В.

Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/66073

Title:	Двухэтапное прогнозирование топологии упругой пластины с помощью CNN и GAN
Other Titles:	Two stage topology prediction of an elastic plate using CNN and GAN
Authors:	Матвеева, А. И. Новокшенов, А. Д. Карчевская, А. С. Боровков, А. И. Щербаков, С. С. Подгайская, Д. А. Мендель, А. В.
Keywords:	материалы конференций;упругие пластины;топологическая оптимизация;сверточные нейронные сети
Issue Date:	2026
Publisher:	БГУИР
Citation:	Двухэтапное прогнозирование топологии упругой пластины с помощью CNN и GAN = Two stage topology prediction of an elastic plate using CNN and GAN / А. И. Матвеева, А. Д. Новокшенов, А. С. Карчевская, А. И. Боровков, С. С. Щербаков [и др.] // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 220–222.
Abstract:	представлена двухэтапная схема прогнозирования топологии упругой пластины при ограничении объемной доли материала. Сверточная нейронная сеть (CNN) строит поле плотности материала с конечно-элементным разбиением 32 × 32 по условиям закрепления и нагружения, генеративно-состязательная сеть (GAN) повышает конечно-элементное разбиение до 128 × 128. Для 20 вариантов приложения нагрузки эталонные топологии получены методом SIMP с конечно элементным анализом; шесть случаев составили тестовую выборку. Предсказания воспроизводят расположение основных несущих элементов и общую конфигурацию эталонных решений высокого разрешения.
Alternative abstract:	a two-stage approach predicts material distribution in an elastic plate under a volume constraint. A convolutional neural network generates a 32 × 32 density field from loading and support conditions; a generative adversarial network refines it to 128 × 128. SIMP reference solutions were obtained for 20 force application nodes. In six held-out cases, the predicted topologies reproduce the overall arrangement of load bearing members in the high-resolution reference solutions.
URI:	https://libeldoc.bsuir.by/handle/123456789/66073
Appears in Collections:	Компьютерное проектирование в электронике (2026)

Files in This Item:

File	Description	Size	Format
Matveeva_Dvuhetapnoe.pdf		164.12 kB	Adobe PDF	View/Open

Show full item record Google Scholar