論文の概要: Airfoil Design Parameterization and Optimization using B\'ezier Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2006.12496v2
• Date: Sat, 27 Jun 2020 15:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 12:06:31.464074
• Title: Airfoil Design Parameterization and Optimization using B\'ezier Generative Adversarial Networks
• Title（参考訳）: B\'ezier生成逆数ネットワークを用いた翼設計パラメータ化と最適化
• Authors: Wei Chen, Kevin Chiu, Mark Fuge
• Abstract要約: 既存のデータベースの形状変化から学習することで空力設計をパラメータ化するための深層生成モデルB'ezier-GANを提案する。 その結果、B'ezier-GAN は、(1) 幅広い翼の滑らかで現実的な形状表現を学習し、(2) 最先端パラメータ化法と比較して、少なくとも2倍の最適化収束を経験的に加速することがわかった。
• 参考スコア（独自算出の注目度）: 9.589376389671099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global optimization of aerodynamic shapes usually requires a large number of expensive computational fluid dynamics simulations because of the high dimensionality of the design space. One approach to combat this problem is to reduce the design space dimension by obtaining a new representation. This requires a parametric function that compactly and sufficiently describes useful variation in shapes. We propose a deep generative model, B\'ezier-GAN, to parameterize aerodynamic designs by learning from shape variations in an existing database. The resulted new parameterization can accelerate design optimization convergence by improving the representation compactness while maintaining sufficient representation capacity. We use the airfoil design as an example to demonstrate the idea and analyze B\'ezier-GAN's representation capacity and compactness. Results show that B\'ezier-GAN both (1) learns smooth and realistic shape representations for a wide range of airfoils and (2) empirically accelerates optimization convergence by at least two times compared to state-of-the-art parameterization methods.
• Abstract（参考訳）: 空力形状のグローバルな最適化は通常、設計空間の高次元性のため、多くの高価な計算流体力学シミュレーションを必要とする。 この問題を解決する一つのアプローチは、新しい表現を得ることで設計空間の次元を減らすことである。 これは、形状の有用な変化をコンパクトかつ十分に記述するパラメトリック関数を必要とする。 本稿では,既存のデータベースの形状変化から空気力学設計をパラメータ化するための深層生成モデルB\'ezier-GANを提案する。 結果として得られた新しいパラメータ化は、十分な表現容量を維持しつつ表現コンパクト性を向上させることによって設計最適化の収束を加速することができる。 エアフォイルの設計を例に挙げ、b\'ezier-ganの表現能力とコンパクト性を分析した。 その結果、B\'ezier-GANは、(1)幅広い翼の滑らかで現実的な形状表現を学習し、(2)最先端パラメータ化法と比較して、少なくとも2倍の最適化収束を経験的に加速することがわかった。

関連論文リスト

• Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
  本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。 GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
  論文  参考訳（メタデータ） (2024-07-10T12:50:43Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Optimization of the Shape of a Hydrokinetic Turbine's Draft Tube and Hub Assembly Using Design-by-Morphing with Bayesian Optimization [0.0]
  流体力学や空力面の最適設計を見つけることは、コスト関数を評価するコストがかかるため、しばしば不可能である。 デザイン・バイ・モーフィング(DbM)と呼ばれるモーフィングを用いてデザイン空間を作成する手法を提案する。 本研究では,水力タービンの出力を最大化するために,この形状最適化手法を適用した。
  論文  参考訳（メタデータ） (2022-07-23T07:39:27Z)
• Parametric Generative Schemes with Geometric Constraints for Encoding and Synthesizing Airfoils [25.546237636065182]
  特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。 ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。 制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
  論文  参考訳（メタデータ） (2022-05-05T05:58:08Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• Deep Generative Model for Efficient 3D Airfoil Parameterization and Generation [11.844298366847815]
  空力形状の最適化では、収束と計算コストは設計空間の表現能力とコンパクト性によって大きく影響されます。 3次元ジオメトリの効率的なパラメータ化を実現する,深層生成モデルであるFree-Form Deformation Generative Adversarial Networks(FFD-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-01-07T19:55:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。