这是一种基于高斯过程（Gaussian Processes, GPs）框架的新型拓扑优化方法，其均值函数通过深度神经网络参数化。本实现参照论文 Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes 的开源模型构建。
我们在所有设计变量和状态变量上都施加高斯过程先验，以将它们表示为参数化的连续函数。这些高斯过程共享一个深度神经网络作为均值函数，但每个状态变量和设计变量都有各自独立的核函数。我们在一个单独的循环中统一估计模型的所有参数，优化目标是一个带有惩罚项的性能指标，其中的惩罚项对应于状态方程和设计约束。
模型流程图
-
同时优化 (Simultaneous)
- 将设计变量（材料密度 ρ）和状态变量（如流速 u, 压力 p）联合参数化
- 在单循环中同时优化目标函数与物理约束（状态方程）
- 消除传统嵌套循环（设计-分析-更新）
-
无网格 (Meshfree)
- 通过连续函数表示场变量，避免空间离散
- 使用配点法（Collocation Points）近似积分计算
- 天然规避网格依赖性/棋盘格问题
-
物理信息高斯过程
$$ \mathbf{z}(\mathbf{x}; \boldsymbol{\zeta}) = [\mathbf{u}(\mathbf{x}), \rho(\mathbf{x})] $$- 共享均值函数: 深度神经网络统一参数化所有变量
- 独立核函数: 每个变量拥有独立高斯过程核
- 边界条件硬约束: 通过核加权残差精确满足边界条件
损失函数融合目标项与惩罚项： $$ \mathcal{L}(\boldsymbol{\theta}) = L_o(\cdot) + \mu_p \left( \sum \alpha_i R_i^2 + \alpha_{vol} C_{vol}^2 \right) $$
-
目标项
$L_o$ : 最小化耗散功率（Stokes流案例） -
惩罚项:
-
$R_i$ : 状态方程残差（动量/连续性方程） -
$C_{vol}$ : 体积约束残差
-
-
自适应机制:
- 动态损失加权（平衡不同约束尺度）
- 惩罚系数递增策略（$\mu_p$ 从1增至500）
$$ \begin{align*} \text{目标：} & \min \mathcal{J} = \frac{1}{2} \int_{\Omega} \left( \nabla\mathbf{u}:\nabla\mathbf{u} + \kappa^{-1} |\mathbf{u}|^2 \right) d\Omega \ \text{约束：} & \int_{\Omega} \rho d\Omega = V \ & \text{Brinkman方程（低速粘性流）} \end{align*} $$ 渗透率映射：$\kappa^{-1}(\rho) = \kappa_{max}^{-1} + (\kappa_{min}^{-1} - \kappa_{max}^{-1}) \rho \frac{1+q}{\rho+q}$
四个案例均以最小化流体耗散功率为目标，在不同边界条件下生成独特拓扑结构：
- Rugby（橄榄球）：单入口单出口对称布局，形成中部收缩的橄榄球状流道
- Pipe Bend（弯管）：正交入口出口配置，优化出90°高效转向通道
- Diffuser（扩散器）：窄入口宽出口设计，生成渐扩式扩散结构
- Double Pipe（双管道）：双入口双出口系统，创造并行流道拓扑
设计域和施加的边界条件
python main_TO.py --problem doublepipe --gpu 0参数说明：
--problem：可选参数，指定问题名称，限定在四选一，默认是 doublepipe。
--gpu：指定 GPU 设备号，默认是 0。
Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes