JAX-FEM 拓扑优化完整教程:MMA 算法 + SIMP 插值,无需手写灵敏度公式

原创2026-10-26 19:02:121,924 阅读

JAX-FEM 拓扑优化完整教程:MMA 算法 + SIMP 插值,无需手写灵敏度公式

1. JAX-FEM 拓扑优化是什么?为什么值得学 🔍

JAX-FEM 是一个基于 JAX 的可微分有限元(Differentiable FEM)框架。所谓"可微分",就是整个求解过程可以求导:你把结构网格、材料属性、边界条件写成 Python 函数,JAX 就能自动算出"目标函数对设计变量"的梯度,也就是传统拓扑优化里最难写的灵敏度分析(sensitivity analysis)。

这个教程带你用 JAX-FEM 的 MMA 算法(Method of Moving Asymptotes,移动渐近线法) 求解经典的 SIMP 插值(Solid Isotropic Material with Penalization,固体各向同性材料罚函数法) 拓扑优化问题:给定一个悬臂梁,在体积用量受控的前提下,自动"长"出最优的材料布局。全程不需要手写任何一个灵敏度公式——梯度由自动微分(Automatic Differentiation)在底层用伴随法(adjoint method)完成。

官方教程中还给出了完整的可微分仿真流程示意图:设计参数 θ 通过正问题预测(Forward prediction)驱动结构变形,优化器则沿着反过来的方向更新设计变量 👇

JAX-FEM 可微分拓扑优化流程:设计参数通过正问题预测驱动结构响应

2. 两个核心概念:MMA 算法与 SIMP 插值

在跑代码之前,先用 1 分钟建立整体认知。

2.1 SIMP:让材料"连续化"的插值技巧

拓扑优化的本质是"决定哪里放材料",但这是一个 0/1 离散问题,直接优化很难收敛。SIMP 方法的思路是把每个单元赋予一个相对密度 θ ∈ [0, 1],并用罚指数 p(教程默认 p = 3)插值刚度:

# SIMP 插值:E = E_min + (E_max - E_min) * θ^p
E = Emin + (Emax - Emin)*theta[0]**penal

这一行代码就是整个 SIMP 的核心,你可以在 example.ipynb 的 Elasticity 类中找到它。惩罚项 θ^p 会把"中间态"(灰度)材料在迭代中逼向"有材料(1)"或"无材料(0)",最终得到清晰的黑白结构布局。

2.2 MMA:结构优化领域的经典优化器

MMA(Svanberg, 1987)是拓扑优化的标准求解器,它把每个设计变量看作一维子问题,用"移动渐近线"构造下界逼近,天然支持不等式约束(如体积分数限制)和上下界约束(θ ∈ [0,1])。

JAX-FEM 内置了一个为可扩展性优化过的 MMA 实现,源码在 jax_fem/mma.py,核心入口是 optimize(fe, rho_ini, optimizationParams, objectiveHandle, consHandle, numConstraints)。它约定了清晰的"接口":

  • objectiveHandle(rho):返回目标函数值 J 和梯度 dJ(由 jax.value_and_grad 自动计算,无需手写)
  • consHandle(rho, epoch):返回约束值 g 和梯度 dg,例如体积约束 g = mean(rho)/vf - 1

你只需要把这两个"handle"喂给 optimize,剩下的迭代、约束处理、上下界约束全部自动完成。

💡 过滤(filter)选项:拓扑优化容易出现"棋盘格"伪解。optimize 的 filter_type 参数支持 none / sensitivity(灵敏度过滤,默认)/ density(密度过滤)三种模式,过滤邻域用 k-d tree 高效构建,见 jax_fem/mma.py 中的 compute_filter_kd_tree。

JAX-FEM 拓扑优化材料-结构协同设计结果:两种材料相的密度分布

3. 快速上手:环境准备与官方教程位置

JAX-FEM 可直接从 PyPI 安装(CPU 和 GPU 版本的 JAX 都支持,GPU 性能更好):

pip install jax-fem

本教程以官方 notebook 为准:docs/source/learn/topology_optimization/example.ipynb。它用一根 60×30 单元的二维悬臂梁演示完整的"正问题 → 目标函数 → MMA 迭代"闭环。下面按教程顺序拆解每一步在做什么。

3.1 第一步:定义弱形式与 SIMP 本构

继承 Problem 基类(jax_fem/problem.py),做三件事:

  1. get_tensor_map:返回本构函数 stress(u_grad, theta),内部就是 SIMP 插值的杨氏模量 E(平面应力公式)
  2. get_surface_maps:定义 Neumann 边界的载荷(教程中右端下部施加牵引力)
  3. set_params:把设计变量 θ 分发到每个单元——这就是"把材料参数交给求解器"的入口

3.2 第二步:网格与边界条件

用 QUAD4 四边形单元离散 60×30 的矩形域:

meshio_mesh = rectangle_mesh(Nx=60, Ny=30, domain_x=Lx, domain_y=Ly)

左端整体固定(Dirichlet),右端下部加载(Neumann)——标准的悬臂梁问题。

3.3 第三步:让求解器"可微"

这是整个教程最关键的一行 👇 用 ad_wrapper(jax_fem/solver.py)包装正问题求解器,得到一个可微分的"参数 → 位移场"映射 fwd_pred:

fwd_pred = ad_wrapper(problem, solver_options={'spsolve_solver': {}},
                     adjoint_solver_options={'spsolve_solver': {}})

3.4 第四步:目标函数与灵敏度——真正"零手写"的地方

拓扑优化是典型的含 PDE 约束的优化问题:先解出位移场 u(θ),再计算柔度(compliance)目标 J。总目标函数写成"缩减形式"后,梯度 ∂J/∂θ 由 JAX 自动微分完成:

def J_total(params):
    sol_list = fwd_pred(params)              # 正问题:u = u(theta)
    return problem.compute_compliance(sol_list[0])  # 柔度 J

# 一行代码同时拿到 J 和 dJ/dθ,无需手写伴随方程
J, dJ = jax.value_and_grad(J_total)(rho)

体积约束同理,jax.value_and_grad(computeGlobalVolumeConstraint)(rho) 返回约束值和它的梯度。把 J/dJ 和 g/dg 分别塞进 objectiveHandle 和 consHandle,调用:

vf = 0.5   # 体积分数上限 50%
optimizationParams = {'maxIters': 51, 'movelimit': 0.1, 'filter_type': 'sensitivity'}
rho_ini = vf * np.ones((len(problem.fe.flex_inds), 1))
optimize(problem.fe, rho_ini, optimizationParams, objectiveHandle,
         consHandle, numConstraints)

50 步迭代后,初始的"灰色方块"会演化成清晰的梁结构。密度场的演化过程如下(每帧对应一次 MMA 迭代):

JAX-FEM 拓扑优化密度场迭代过程动画

4. 参数怎么选:movelimit、maxIters、罚指数

跑通之后,这四个参数是新手最常调的:

参数 位置 建议 作用
movelimit optimizationParams 0.1 ~ 0.2 每步设计变量的最大移动幅度。太大→振荡不收敛;太小→迭代慢
maxIters optimizationParams 50 左右 MMA 迭代上限,配合目标曲线判断收敛
penal 本构函数内 3(默认) SIMP 罚指数,越大黑白越分明
filter_type optimizationParams sensitivity 灵敏度过滤抑制棋盘格

目标曲线是判断收敛最直观的工具——前 20 步快速下降,之后平缓收敛到平台:

JAX-FEM 拓扑优化目标函数收敛曲线

每轮迭代的解都会导出 .vtu 文件,用 ParaView 打开即可观察密度场演化;教程的 output_sol 函数还会打印每步的柔度值,方便做上面这样的收敛曲线。

5. 进阶案例:从 2D 悬臂梁到 3D 箱体 🧊

官方教程之外的 applications/outdated/top_opt/ 目录(见 README)提供了论文级的完整案例:

  • box.py:3D 箱体(80×20×40 六面体网格)刚度优化,vf=0.2 只用 20% 材料
  • L_shape.py:带应力约束的 L 形支架——约束里用 P-norm 近似最大 von Mises 应力,并配合渐进约束(PC)策略逐步收紧,这正是 MMA 支持多约束的典型用法
  • eigen.py:频率/特征值相关的优化
  • multi_material.py:多材料拓扑优化,对应上文的协同设计图

这些案例共享同一个 SIMP 本构模板(E = Emin + (Emax - Emin)*theta^penal),差异只在网格、边界条件和约束函数——说明 JAX-FEM 的工作流高度可复用:换问题只改 Problem 子类,优化器一行不动。

JAX-FEM 可微分仿真驱动拓扑优化迭代

6. 常见问题 FAQ

Q1:真的完全不用手写灵敏度吗? 是的。传统 SIMP 需要推导伴随法灵敏度 dJ/dθ,JAX-FEM 中它被 jax.value_and_grad(J_total) 一行替代。底层由伴随法 + 自动微分完成,对线性问题就是线性求解,对非线性问题同样适用。

Q2:GPU 有优势吗? JAX 天然支持 GPU/TPU 加速(设置环境变量 CUDA_VISIBLE_DEVICES 即可指定设备),正问题与伴随问题都在同一硬件上求解,大规模 3D 拓扑优化收益明显。

Q3:出现棋盘格怎么办? 确认 filter_type 为 sensitivity 或 density(默认即灵敏度过滤),过滤半径与单元尺寸自动关联。

Q4:约束除了体积还可以有什么? 任何可导的函数都可以。L_shape.py 演示了应力约束;文档中提到的 von Mises 应力上限约束(g 依赖状态变量 u 和设计变量 θ 的混合约束)也照样可以自动求导。

7. 关键文件导航 📌

内容 路径
官方拓扑优化教程(本教程源码) example.ipynb
MMA 优化器与过滤实现 jax_fem/mma.py
可微分求解器 ad_wrapper jax_fem/solver.py
Problem 基类 jax_fem/problem.py
论文级案例(box/L_shape/eigen) applications/outdated/top_opt/
安装指南 Installation.md
示例总览(含 SIMP 说明) overview.md

小结:JAX-FEM 把拓扑优化的"脏活"——灵敏度推导、伴随方程实现、约束梯度——全部交给自动微分,你只需写清本构(SIMP)、目标(柔度)和约束(体积)三样东西,再交给 MMA 优化器。从本教程的 2D 悬臂梁出发,完全可以平滑扩展到 3D、应力约束乃至多材料协同设计。动手跑一遍 notebook,是掌握可微分拓扑优化最快的路径。🚀

登录后查看全文
jax-fem