Topology optimization is a structural optimization method that finds the optimal material distribution in a given design domain and is mainly used in the conceptual design stage. Recently, deep learning-based topology optimization has been extensively studied to reduce computational costs. However, while using existing deep learning-based topology optimization methods, structural disconnection problems often arise that can cause large compliance errors. This thesis proposes two methods for mitigating the structural disconnection problem arising from deep learning-based topology optimization. The first proposed method is a topology filter that evenly distributes weights of neighbor elements during the learning to improve connectivity. The second proposed method is physics informed neural network using a physics-based loss function, and learning is conducted using compliance which is the objective function. The proposed method can reduce structural disconnection problems and compliance errors, and the proposed methodology has been verified using numerical examples in topology optimization.
위상 최적화는 주어진 설계 영역에서 최적의 재료 분포를 찾아내는 구조 최적화 방법으로, 개념설계 단계에 주로 사용된다. 최근 더욱 신속하게 위상을 구할 수 있는 심층학습 기반 위상 최적화 방법에 관한 다양한 연구가 진행 중이다. 기존 심층학습 기반 위상 최적화 방법을 이용할 때 큰 컴플라이언스 오차를 유발하는 구조적 절단 문제가 발생한다. 본 학위 논문은 심층학습 기반 위상 최적화 방법에서 생기는 구조적 절단 문제를 개선하기 위한 두 가지 방법을 제안한다. 첫 번째 제안 방법은 위상 필터로, 학습 시 주위 요소들의 영향을 균일하게 만들어 연결성을 좋게 만든다. 두 번째 제안 방법은 물리 기반 손실 함수를 이용한 물리 정보 신경망으로, 위상 최적화의 목적함수인 컴플라이언스를 이용하여 심층학습을 진행한다. 제안된 방법을 통해 구조적 절단 문제와 컴플라이언스 오차를 줄일 수 있으며, 제안된 방법론은 위상 최적화의 수치 예제를 사용하여 검증되었다.
