Intelligent layout design of curvilinearly stiffened panels via deep learning-based method论文学习笔记

论文链接：https://doi.org/10.1016/j.matdes.2020.109180
作者：Peng Hao a, ⁎ , Dachuan Liu a , Kunpeng Zhang a , Ye Yuan a , Bo Wang a , Gang Li a , Xi Zhang b
要优化的结构非常清晰，是用细长条来加固的薄壁板。（类似于鸟类的翅膀，论文中是有插图的）
我们的方法是在已经有的一种技术叫做SBO上，加了CNN去提取这个图像特征做模型的输入，原来是用向量来做模型的输入。
SBO框架可以分为三个主要部分，初始化点，建立代理模型，和确定准则。
一开始初始化点（就是取一堆设计变量），我们会采用一些这个技术，像DOE，蒙特卡罗方法，LHS，这些方法可以使我们提取点的时候是均匀的，保证均匀的选取，但是并没有，就是规则的选取（体现出一定的随机性）
第二步我们去建立这个代理模型，这个代理模型最主要的作用就是为了建立起设计变量和优化目标之间的映射关系，因为通常来说，传统的优化都需要很花时间，然后去专门的作用，优化方法去做优化，但是我们这个使用代理模型直接就建立映射关系就非常快。论文里也提到了，现在在这个领域比较成熟的几种常用的代理模型。
第三步就是去infilling critia. 这个标准我没有读清楚是什么标准，但是可能就是去优化模型的意思.
第一步就采用那个DOE法可能的去把这个设计空间挖掘全。在这个过程中，我们会得到大量的sampling data (in coordinate form) ，我们会将它们转化成图片的形式；
与此同时，我们还会计算它们所对应的这个力学响应（用传统方法，FEM等），这个步骤就是所谓的data labeling. 由此我们得到了我们想要的数据集.
在第二步，我们并不直接急于去训练一个CNN，而是采用AE方法，首先把图片作为数据集，无监督的去训练这个AE。这样做，随便得到了一个能提取图像特征的encoder.
之后我们再对这个encoder稍加改造就可以比较理想的去训练了（输入图片输出力学响应），
在第三步，这个CNN已经能够去替代有限元帮我们快速的由输入的这个设计变量得到优化目标（即力学响应）了。这时采用遗传算法，把坐标形式的设计变量编码成基因，目标函数就用这个模型，优化的时候把设计变量转化成图片，便可以得到这个设计变量对应的优化目标。然后这里的一个创新点是，每次我们得到比较好的这个解，就把他放到CNN里进行进一步的训练，让他能够更好的映射。
仍然有些疑问的地方，Fig12，这些点是什么意思？