Additive manufacturing has opened unexplored possibilities in the fabrication of elastic structures not manufacturable via traditional moulding and machining processes. The goal of this project is to explore the benefits of introducing machine learning (ML) techniques into existing topology optimisation pipelines to improve their efficiency and accuracy. Special emphasis will be devoted to assess the capability of ML algorithms to reduce the computational burden due to the mesh generation and adaptation steps in topology optimisation.

La produzione additiva ha aperto possibilità inesplorate nella fabbricazione di strutture elastiche non realizzabili tramite processi tradizionali di stampaggio e lavorazione. L'obiettivo di questo progetto è esplorare i vantaggi dell'introduzione di tecniche di machine learning (ML) nelle pipeline di ottimizzazione topologica esistenti per migliorarne l'efficienza e la precisione. Particolare enfasi sarà dedicata alla valutazione della capacità degli algoritmi ML di ridurre il carico computazionale dovuto alle fasi di generazione e adattamento della mesh nell'ottimizzazione della topologia.

Miglioramento di uno strumento di simulazione per l'ottimizzazione strutturale utilizzando tecniche di machine learning

ZAMBERLAN, GIORGIO
2022/2023

Abstract

Additive manufacturing has opened unexplored possibilities in the fabrication of elastic structures not manufacturable via traditional moulding and machining processes. The goal of this project is to explore the benefits of introducing machine learning (ML) techniques into existing topology optimisation pipelines to improve their efficiency and accuracy. Special emphasis will be devoted to assess the capability of ML algorithms to reduce the computational burden due to the mesh generation and adaptation steps in topology optimisation.
2022
Enhancement of a structural optimization simulation tool using machine learning
La produzione additiva ha aperto possibilità inesplorate nella fabbricazione di strutture elastiche non realizzabili tramite processi tradizionali di stampaggio e lavorazione. L'obiettivo di questo progetto è esplorare i vantaggi dell'introduzione di tecniche di machine learning (ML) nelle pipeline di ottimizzazione topologica esistenti per migliorarne l'efficienza e la precisione. Particolare enfasi sarà dedicata alla valutazione della capacità degli algoritmi ML di ridurre il carico computazionale dovuto alle fasi di generazione e adattamento della mesh nell'ottimizzazione della topologia.
Graph Neural Network
Machine Learning
Optimization
File in questo prodotto:
File Dimensione Formato  
Zamberlan_Giorgio.pdf

accesso aperto

Dimensione 9.35 MB
Formato Adobe PDF
9.35 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/60685