Page 49 - FDMChina 2025 1/2

Technology 技术

指出经过拓扑优化的梁的刚度测量值，以便从设计
角度确定这种优化是否会产生令人满意的结果。 Freerange Stock

木结构构件的优化方案

目前进行的研究项目旨在开始开发基于人工智能的
专业软件工具，这些工具将为胶合木构件提供几何

优化解决方案。
通过对一些胶合层积材（GLT）木材样本进行有
限元法（FEM）分析，并通过实验室测试确认材料模
型的正确性，在此基础上建立了用于训练人工智能

模型的数据库。
人工智能模型的训练包括使用以一系列可变参 此外，拓扑优化任务还可以进行改进，将胶合
数为特征的弯曲胶合梁，获得大量 拓扑优化模型 / 板的薄层结构考虑在内，并对构件进行优化，这样就
数据集（合成参数 - 位移的配对数据）。这些模型 可以通过在构件内放置正确切割的薄片来获得最终

被用于人工神经网络（ANN）训练和结果验证。 得到优化的几何形状，而无需对构件进行数控加工。
上文提到了深度神经网络（Deep Neural 未来的发展将需要考虑更大的结构元件尺寸 （横
Networks， 简称 DNN） 模型， 在此次研究中也有所涉及， 截面和跨度），并考虑不同的负载条件，如不均匀
目的是测试机器学习技术能否为这类问题和这类优 分布负载或点负载。

化任务提供有用的排列组合。 另一方面，在这次研究中我们还发现，为这
以及运用人工神经网络（ANN），可根据问题数 类任务开发机器学习应用的一个重要步骤，显然
据显示拓扑优化梁的刚度，从而便于从设计角度确 是部署一个生成式对抗网络（Generative Adversarial
定这种优化方式是否能够产出足够好的结果。 Networks，简称 GAN）架构，该架构最终可以提出几

我们将对这一神经网络进行进一步迭代，以便 何图形，然后通过更少的步骤进行构件优化。
通过规模调整和激活函数的方式进行结构构件改进。 还值得一提的是，拓扑优化任务通常需要大量
注：激活函数（activation function），指的是在人 的迭代才能达到设计目标。因此，将这些信息嵌入
工神经网络的神经元上运行的函数，负责将神经元 到机器学习模型中，对属于同一拓扑组的结构元素

的输入映射到输出端。 进行学习，可以加快设计过程，因为结构性能的某
本文提出的模型遵循事先选定的某些参数，这 些方面（如强度和刚度）可以通过人工智能技术快
意味着未来的模型和实验活动还可以进一步改进。 速估算出来。
这些参数与木质材料的特性 （木材类型、 密度、 通过采用生成式机器学习模型技术，可以获得

弹性模量）、尺寸以及模型的离散度有关。 拓扑优化的几何图形提议，还能够提出更接近有限
根据此次研究获得的数据及分析结果表明，在 元法（FEM）的基于拓扑优化结果的几何图形，从而
梁模型中，更大的横截面尺寸和跨度将从拓扑优化 在更短的时间内为木结构构件的优化设计分析提供
中获益更多。 一个起点。

亚洲木工业 二零二五年一月至二月份 47