结构拓扑优化是一种富有创新性的结构设计手段,已经在航空航天、汽车船舶等领域取得重大突破。然而,在处理实际工程问题时,传统的隐式拓扑优化方法具有结构设计变量数目多,结构边界模糊,生产加工困难,计算量大等缺点。因此,运用数据驱动的方法做实时的结构拓扑优化设计研究成为未来结构拓扑优化领域的发展趋势。当前,机器学习的方法快速发展,其训练效率,预测准确性等方面都得到了大幅度的提升。本研究论文将机器学习的方法和可移动变形组件的结构拓扑优化方法相结合,解决传统隐式结构拓扑优化复杂耗时的问题。该方法通过提取数据中潜在的决定性特征,可以实现结构的实时拓扑优化设计。机器学习方法预测出来的结果可以作为可移动变形组件的拓扑优化方法的初始条件,达到快速收敛的效果。具体的研究内容如下:一、基于人工提取特征的结构拓扑优化研究。虽然基于可移动变形组件的结构拓扑优化方法具有结构设计变量少的天然优势,但是杆件之间的排列布局极为复杂,可能存在杆件之间覆盖、重叠、并列等情况。因此,实际的设计变量数目比可移动变形组件的结构拓扑优化方法需要的设计变量数目要少。通过依次画出每根杆件在设计域的位置,可以判断出杆件间排列布局,剔除被覆盖杆件的设计变量,达到减少设计变量的目的。二、基于主成分分析方法提取结构特征的结构拓扑优化研究。和人工手动的方法提取结构的特征相比,主成分分析具有严格的数学基础,把数据集通过主成分分析降低到一个合适的维度,进而降低机器学习算法的复杂度,提升模型预测准确度。三、基于自编码器提取结构特征的结构拓扑优化研究。自编码器是一种非常基本的深度学习算法,在结构上,自编码器是一种具有对称结构的全连接式的神经网络,主要用于数据中的特征提取。由于其结构的特殊性,自编码器提取到的特征是由神经网络算法自身学习到的,而不再有人为主观上的参与。实验结果表明自编码器提取到的特征是有效的,在测试集上预测出的最优的拓扑结构相比于上述两种方法提取到的特征预测出的结构在性能上有巨大提高。