A Novel Framework for Accelerating Topology Optimization : Merging Machine Learning with Feature-Mapping Methods

This thesis investigates the integration of machine learning (ML) and feature-mapping methods for Topology Optimization (TO). The research addresses two primary challenges: the high computational cost associated with large-scale TO and the labor-intensive post-processing required to convert optimized density distributions into parametric geometries. The first part of the thesis presents a supervised deep learning model based on the Moving Morphable Components (MMC) framework, which generates geometric design variables independent of finite element analysis (FEA) mesh resolution. Despite achieving state-of-the-art regression performance, the model's predictions resulted in structures with an average stiffness 11.48% lower than conventional MMC designs. However, when used to generate initial designs for conventional optimization, this approach reduced computation time by 36.84% without compromising the mechanical performance of the final topology. To overcome the limitations of regression-based models, the second part of the thesis introduces the Structural Optimization gym (SOgym), a novel reinforcement learning (RL) environment that incorporates the physics of TO into the reward function. The DreamerV3-100M agent trained within SOgym produced designs with compliance within 54% of that achieved by traditional optimization methods and demonstrated a 0% disconnection rate, a notable improvement over existing ML methods that often struggle with disconnected structures. The third part of the thesis presents YOLOv8-TO, an instance segmentation model that automates the reverse engineering of optimized structures into interpretable geometric parameters. YOLOv8- TO outperformed traditional skeletonization techniques, achieving an average 13.84% improvement in the Dice coefficient and a peak enhancement of 20.78%. The method demonstrated strong generalization to complex geometries, while maintaining fast inference times suitable for integration into design workflows. The findings of this research contribute to the advancement of ML applications in TO, providing scalable research directions for direct design and post-processing applications. The proposed methodologies not only enhance the efficiency of the optimization process but also facilitate the integration of optimized designs into conventional computer-aided design (CAD) workflows. Future work will focus on expanding the applicability of these methods to three-dimensional structures and incorporating more complex physical phenomena into the training processes.

Résumé

Cette thèse explore l'intégration de l'apprentissage automatique et des méthodes de projection d’entités géométriques (feature-mapping methods) pour l'optimisation topologique. La recherche aborde deux défis principaux: le coût computationnel élevé associé à l'optimisation topologique à grande échelle et le post-traitement laborieux requis pour convertir les distributions de densité optimisées en géométries paramétriques. La première partie de la thèse présente un modèle d'apprentissage profond supervisé qui génère des variables de conception géométriques indépendamment de la résolution du maillage d'analyse par éléments finis. Malgré des performances de régression de pointe, les prédictions du modèle présentent une rigidité moyenne inférieure de 11.48 % par rapport aux conceptions conventionnelles. Cependant, lorsque utilisée pour générer des solutions initiales, cette approche réduit le temps de calcul de 36.84 % sans compromettre les performances mécaniques. Pour surmonter les limites des modèles basés sur la régression, la deuxième partie de la thèse présente le Structural Optimization gym (SOgym), un environnement d’apprentissage par renforcement intégrant la physique de l'optimisation topologique dans la fonction de récompense. L'agent DreamerV3-100M produit des structures avec une rigidité 54% inférieure par rapport aux méthodes conventionnelles, et a démontré un taux de déconnexion structurelle de 0 %. La troisième partie de la thèse présente YOLOv8-TO, un modèle de segmentation d'instance qui automatise la rétro-ingénierie des structures optimisées. YOLOv8-TO surpasse les techniques de squelettisation, réalisant une amélioration moyenne de 13.84 % du coefficient de Dice, avec un maximum de 20.78 %. La méthode démontre une bonne généralisation aux géométries complexes tout en maintenant des temps d'inférence rapides. Les résultats de cette recherche contribuent à l'avancement des applications de l’apprentissage automatique dans l'optimisation topologique, offrant des pistes de recherche pour les applications de conception directe et de post-traitement. Les méthodologies proposées non seulement améliorent l'efficacité du processus d'optimisation, mais facilitent également l'intégration dans les flux de travail de conception assistée par ordinateur conventionnels. Les travaux futurs se concentreront sur l'élargissement de l'applicabilité de ces méthodes aux structures tridimensionnelles et l'intégration de phénomènes physiques plus complexes dans les processus d'apprentissage.