DYNUTOP App : Dynamically Updating Topology Optimization Prediction Application - Artificial Intelligence for predicting optimal topologies

Topology Optimization (TO) is a powerful tool in computational design that optimizes the distribution of material within a specified domain to create structures that adhere to prescribed design constraints. The resulting topology provides an efficient use of material, leading to cost savings and lightweight structures, which is valuable for engineers. However, computing time remains a bottleneck, limiting its application in real engineering contexts. To address this challenge, researchers are exploring the use of artificial intelligence to accelerate the process. This thesis proposes a multi-stage machine learning model that aims to predict an optimal topology in 2D or 3D, in a single shot without an initial form-finding process. The proposed method utilizes a combination of machine learning models to solve distinct parts of the TO problem, resulting in a near-instantaneous optimization. The thesis explores three problem cases, and the results are presented in an interactive computer application that visualizes and updates the predicted topology in real-time in response to user changes of the loading parameters. The proposed method can generate mean average error accuracy of less than 0.035 for the density field for all three test cases, with a predictive speed that is less than 0.5% that of a traditional TO algorithm.

L'ottimizzazione topologica è un potente strumento di progettazione automatica, che cerca la distribuzione ottimale di materiale all'interno di un dato dominio, in modo da minimizzare una assegnata funzione obiettivo e rispettando i vincoli di progettazione prescritti. La topologia risultante consente un efficiente uso del materiale, permettendo strutture più leggere dal costo inferiore. Tuttavia, il tempo di calcolo necessario per questi strumenti è un collo di bottiglia, che ne limita l'applicazione in contesti ingegneristici reali. Per affrontare questa sfida, la comunità scientifica sta esplorando l'utilizzo di algoritmi di intelligneza artificiale. Questa tesi propone un modello di machine learning multi-stage che mira a prevedere una topologia ottimale in 2D o 3D, in modo non iterativo e senza un processo iniziale di ricerca della forma. Il metodo proposto utilizza una combinazione di modelli di machine learning per risolvere parti distinte del problema di ottimizzazione topologica, consentendo un'ottimizzazione quasi istantanea. La tesi esplora tre problemi diversi, e i risultati sono presentati tramite un'applicazione informatica interattiva che visualizza e aggiorna la topologia prevista in tempo reale, in risposta alle modifiche dei parametri di carico da parte dell'utente. Il metodo produce risultati caratterizzati da un errore medio inferiore al 0.035 per il campo di densità in tutti i casi di test considerati, con una velocità predittiva inferiore allo 0,5% di un algoritmo di ottimizzazione topologica tradizionale.