Đại học bách khoa Hà Nội

Viện Toán ứng dụng và Tin học

Tối ưu dạng cho phương trình đàn hồi

BÁO CÁO MÔN HỌC MÔ HÌNH MÔ PHỎNG

Lớp: TOANTIN20B

Giảng viên hướng dẫn: TS. Tạ Thị Thanh Mai

Học viên thực hiện Nguyễn Phùng Hải Chung - 20202463M

Nguyễn Văn Long - 20202826M
Nguyễn Văn Kiên - 20202266M

Hà Nội - 2021
 Mục lục

Chương 1. Cơ sở lý thuyết . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.Giới thiệu báo cáo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.Biến thiên đường biên và tối ưu hình học . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1. Phương pháp Gradient hướng giảm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2. Biến thiên các tập mở . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3. Thuật toán biến đổi biên . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4. Tối ưu hàm mục tiêu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3.Chi tiết thuật toán . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3.1. Chuẩn hóa lưới . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2. Chuẩn hóa đạo hàm dạng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3. Ràng buộc về thể tích . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4. Thuật toán bước giảm (Stepping Algorithm). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.5. Trạng thái dừng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

Chương 2. Thực nghiệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1
Chương 1

Cơ sở lý thuyết

1.1. Giới thiệu báo cáo

Mục đích của bài báo cáo này là chỉ ra rằng các quy trình tối ưu hóa hình dạng
bằng việc triển khai phương pháp cổ điển: phương pháp biến thiên đường biên

1.2. Biến thiên đường biên và tối ưu hình học

1.2.1. Phương pháp Gradient hướng giảm

Cho F là một ánh xạ từ không gian Hilbert X vào R. Phương pháp gradient để
xây dựng một chuỗi các phần tử (xn )n ≥ 0 ∈ X:
xn+1 = xn − hn dn
Với hn ∈ R+ đủ nhỏ và dn là hướng giảm được định nghĩa bởi:
(dn , y)X =< F (xn ), y >X∗,X với mọi y ∈ X.

1.2.2. Biến thiên các tập mở

Gọi J(Ω) là một hàm giá trị thực được xác định cho bất kỳ tập mở Ω nào của
RN . Gọi Ω là một tập RN mở thông thường. Cho một ánh xạ θ : Ω 7→ RN , ta đặt:
Ω(θ) = (Id + θ)(Ω) ≡ {x + θ(x) s.t. x ∈ Ω}.
Nếu FΩ : θ 7→ J(Ω(θ)) khả vi, ta có thể định nghĩa đạo hàm dạng:
< J 0 (Ω), θ >=< FΩ0 , θ >.

2
CHƯƠNG 1. CƠ SỞ LÝ THUYẾT 3

Theo định lý cấu trúc Hadamard, ta biết rằng đạo hàm hình dạng chỉ được thực hiện
trên biên của hình dạng, tức là

Z
0
< J (Ω), θ >= j(Ω)θ.nds (1.2.1)
∂Ω

1.2.3. Thuật toán biến đổi biên

Áp dụng phương pháp gradient để tối ưu hóa hình dạng, phải kết hợp với đạo
hàm hình dạng J(Ω), độ dốc có hướng d. Trong trường hợp này, hướng đi xuống là
phần tử duy nhất d ∈ H 1 (Ω)N sao cho với mọi θ ∈ H 1 (Ω)N ,

Z
0
< J (Ω), θ >= (∇d.∇θ + d.θ)dx (1.2.2)
Ω
Định lý cấu trúc Hadamard cho ta biết rằng đạo hàm có hướng của J chỉ phụ thuộc
vào giá trị của thành phần pháp tuyến θ · n trên ∂d (công thức 1.2.1). Do đó, người
ta có thể thay thế không gian H 1 (Ω)N bằng H 1 (∂Ω)N với sự thay đổi tương ứng của
tích vô hướng và hướng giảm mới là nghiệm của
Z
0
< J (Ω), θ >= (d0 · θ0 + d · θ)ds
∂Ω
1 N 0
Với mọi θ ∈ H (∂Ω) và là đạo hàm bề mặt. Tuy nhiên, sẽ thuận tiện hơn khi sử
dụng 1.2.2 vì nó đơn giản hơn để giải, và nó tạo ra sự mở rộng tự nhiên của biến
dạng lưới trên toàn bộ miền Ω.
Thuật toán tìm sự biến dạng của Ω có thể được tổng quát theo các bước sau:

1. Chọn hình dạng ban đầu Ω0

2. Lặp lại các bước sau cho đến hội tụ với n ≥ 0,

(a) Tính dn là nghiệm của 1.2.2 với Ω = Ωn

(b) Đặt Ωn+1 = (Id − hn dn )(Ωn ), với hn là một số thực dương đủ nhỏ.

1.2.4. Tối ưu hàm mục tiêu

Gọi Ω là hình dạng của vật thể đàn hồi tuyến tính. Chúng ta giả sử rằng Ω cố
định trên ΓD , chịu tác dụng của lực bề mặt g trên ΓN và tự do trên Γopt , trong đó
CHƯƠNG 1. CƠ SỞ LÝ THUYẾT 4

∂Ω = ΓD ∪ ΓN ∪ Γotp . Độ biến thiên hình dạng u(Ω) là nghiệm của hệ đàn hồi tuyến
tính 



 div(A(e(u(Ω))) = 0 Ω



 A(e(u(Ω))n = g

ΓN

A(e(u(Ω))n = 0 Γopt








 u(Ω) = 0 ΓD

Trong đó, e(u) = (∇u + ∇uT )/2 là strain tensor và n là pháp tuyến hướng ra ngoài
của biên, A là định luật Hooke hoặc strain tensor được xác định bởi

Aξ = 2µξ + λ(T rξ)Id (1.2.3)

với hằng số Lamé λ và µ. Hệ phương trình đàn hồi tuyến tính được khai triển thành:
Z Z
(2µe(u(Ω)) · e(q) + λdivu(Ω)divq)dx = g · qds
Ω ΓN

với mọi q ∈ H 1 (Ω)2 sao cho q = 0 trên ΓD . Ta xét vấn đề tối thiểu hàm mục tiêu
Z
minΩ c(Ω) = g · u(Ω)ds
ΓN

trên toàn bộ tập mở Ω sao cho ΓN ∪ ΓD ⊂ ∂Ω, với thể tích quy định V0 . Hàm c nhận
một đạo hàm dạng là
Z
0
< c (Ω), θ >= − (2µ|e(u(Ω))|2 + λ(divu(Ω))2 )(θ · n)ds (1.2.4)
Γopt

đã được chứng mình trong [1]

1.3. Chi tiết thuật toán

1.3.1. Chuẩn hóa lưới

Một số tối ưu dạng có thể đạt được các thiết kế tối ưu với các ranh giới dao động
(nghĩa là có các đỉnh và giếng có tỷ lệ chiều dài theo thứ tự của kích thước mắt lưới).
Để tránh vấn đề này, người ta có thể thêm một lượng phạt về sai lệch chu vi vào
hàm mục tiêu. Ta sẽ chuẩn hóa hình dạng ở mỗi lần lặp lại. Tại mỗi lần lặp, một lưới
CHƯƠNG 1. CƠ SỞ LÝ THUYẾT 5

mịn Sh được sử dụng để thực hiện phân tích phần tử hữu hạn và tính toán hướng đi
xuống d. Trích xuất một lưới thô hơn T h từ Sh, các nút của chúng được di chuyển
theo hướng −d được xác định bởi 1.2.2. Cuối cùng, một lưới mịn mới Sh được suy ra
từ T h được sửa đổi (mesh adaptation).

1.3.2. Chuẩn hóa đạo hàm dạng

Những thay đổi của hình dạng thường thể hiện các điểm kỳ dị ở các góc của hình
dạng hoặc ở những thay đổi của loại điều kiện biên. Trong những trường hợp như
vậy, công thức (5) không còn đúng nữa, vì thành phần bên phải của công thức không
được xác định rõ. Điều này dẫn đến dao động mạnh của hình dạng gần các góc của
nó và có thể tạo ra các lỗi chia lưới. Để bỏ qua vấn đề này, ta đặt gradient hình dạng
bằng 0 gần các góc của hình dạng.

1.3.3. Ràng buộc về thể tích

Nhiều vấn đề tối ưu hóa cấu trúc có ràng buộc thể tích. Ràng buộc này được áp
dụng bằng cách đưa vào hệ số Lagrange l trong công thức. Chính xác hơn, hướng
giảm bây giờ được tính từ đạo hàm hình dạng của Lagrangian J 0 (Ω) + `V 0 (Ω), trong
đó V (Ω) = |Ω| biểu thị thể tích của hình Ω. Giá trị của hệ số nhân Lagrange được
làm mới ở mỗi lần lặp để hình dạng thỏa mãn ràng buộc về thể tích khi thuật toán
hội tụ. Hệ số Lagrange được tăng nếu thể tích hiện tại của hình dạng lớn hơn thể
tích mục tiêu và giảm nó trong trường hợp ngược lại. Tuy nhiên, điều này có thể dẫn
đến dao động về thể tích của hình dạng. Do đó, hệ số nhân Lagrange được tính bằng
cách giả sử rằng điều kiện tối ưu được thỏa mãn, cụ thể là J 0 (Ω) + `V 0 (Ω) = 0 ít nhất
trên biên ∂Ω, nghĩa là:
R R
` = − ∂Ω J(Ω)ds/ ∂Ω d (đã nhắc đến ở công thức 1.2.1).
Chính xác hơn, hệ số nhân Lagrange được cập nhật tại mỗi lần lặp bởi:
`n+1 = (`n + `)/2 + ` (V − V0 )
trong đó ` là một số dương đủ nhỏ.
CHƯƠNG 1. CƠ SỞ LÝ THUYẾT 6

1.3.4. Thuật toán bước giảm (Stepping Algorithm)

Việc lựa chọn bước giảm hn không phải là một việc dễ dàng. Quá lớn, thuật toán
không ổn định và không hội tụ, tỷ lệ quá nhỏ của sự hội tụ là không đáng kể. Để làm
mới hn , cần so sánh tại mỗi lần lặp lại hướng giảm hiện tại dn với hướng giảm trước
đó dn−1 . Nếu tích vô hướng (dn , dn−1 )H 1 (Ω)N âm, có thể nhận xét rằng thuật toán
đang trở nên không ổn định. Trong trường hợp này, chúng tôi giảm bước giảm và lùi
lại vòng lặp trước đó: lần lặp tiếp theo được khởi tạo với hình dạng trước: Ωn−1 . Mặt
khác, nếu dn và dn−1 rất gần nhau, bước giảm hn được tăng lên. Các bước hn cũng
giảm nếu phát hiện tam giác đảo ngược khi lưới được cập nhật.

1.3.5. Trạng thái dừng

Tiêu chí hội tụ điển hình để dừng vòng lặp tối ưu hóa sẽ là kiểm tra xem đạo hàm
hình dạng J 0 (Ω) có đủ nhỏ trong một mức thích hợp hay không. Có một trở ngại
nghiêm trọng hơn trong việc sử dụng một tiêu chí hội tụ nghiêm ngặt có liên quan
đến việc không thể thay đổi cấu trúc liên kết. Thật vậy, nó xảy ra khá thường xuyên
khi hai phần khác nhau của biên có xu hướng hợp nhất. Trong trường hợp này, bước
giảm được giảm xuống để tránh hình tam giác bị đảo ngược sau khi biến đổi lứoi.
Nó có thể gần như bằng không ngay cả khi đạo hàm hình dạng J 0 (Ω) lớn và không
đạt được hình dạng tối ưu. Do đó, không sử dụng bất kỳ tiêu chí hội tụ nào để dừng
thuật toán. Thay vào đó, ta cố định số lần lặp. Nếu quá nhỏ, có thể khởi động lại
thuật toán với hình dạng cuối cùng làm hình dạng ban đầu.
Chương 2

Thực nghiệm

7
Lời cảm ơn

Em xin gửi lời cảm ơn đến TS.Tạ Thị Thanh Mai đã hướng dẫn và giúp đỡ em
trong suốt kì học vừa qua. Nhờ sự chỉ bảo của cô cũng như kiến thức cô đã truyền
tải, em đã hoàn thành bài báo cáo của mình. Tuy vậy, vì kiến thức còn hạn chế, bài
báo cáo còn nhiều thiếu sót, em mong muốn được nghe ý kiến đóng góp từ cô và
người đọc. Em xin chân thành cảm ơn!

8
Tài liệu tham khảo

[1] G. Allaire, O. Pantz. Structural Optimization with FreeFem++. 2006

[2] Allaire G., Jouve F., Toader A.-M., Structural optimization using sensitivity
analysis and a level-set method, J. Comp. Phys. Vol 194/1, pp.363-393 (2004).

[3] Georgi CHAKMAKOV, SIMULIA Bulgaria. Optimization techniques with

SIMULIA Tosca.