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

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.