論文の概要: Deep Generative Model for Efficient 3D Airfoil Parameterization and
Generation
- arxiv url: http://arxiv.org/abs/2101.02744v1
- Date: Thu, 7 Jan 2021 19:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:24:18.535841
- Title: Deep Generative Model for Efficient 3D Airfoil Parameterization and
Generation
- Title(参考訳): 効率的な3次元翼パラメータ化・生成のための深部生成モデル
- Authors: Wei Chen and Arun Ramamurthy
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 11.844298366847815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In aerodynamic shape optimization, the convergence and computational cost are
greatly affected by the representation capacity and compactness of the design
space. Previous research has demonstrated that using a deep generative model to
parameterize two-dimensional (2D) airfoils achieves high representation
capacity/compactness, which significantly benefits shape optimization. In this
paper, we propose a deep generative model, Free-Form Deformation Generative
Adversarial Networks (FFD-GAN), that provides an efficient parameterization for
three-dimensional (3D) aerodynamic/hydrodynamic shapes like aircraft wings,
turbine blades, car bodies, and hulls. The learned model maps a compact set of
design variables to 3D surface points representing the shape. We ensure the
surface smoothness and continuity of generated geometries by incorporating an
FFD layer into the generative model. We demonstrate FFD-GAN's performance using
a wing shape design example. The results show that FFD-GAN can generate
realistic designs and form a reasonable parameterization. We further
demonstrate FFD-GAN's high representation compactness and capacity by testing
its design space coverage, the feasibility ratio of the design space, and its
performance in design optimization. We demonstrate that over 94% feasibility
ratio is achieved among wings randomly generated by the FFD-GAN, while FFD and
B-spline only achieve less than 31%. We also show that the FFD-GAN leads to an
order of magnitude faster convergence in a wing shape optimization problem,
compared to the FFD and the B-spline parameterizations.
- Abstract(参考訳): 空力形状最適化では、コンバージェンスと計算コストは設計空間の表現能力とコンパクト性に大きく影響される。
従来の研究では、二次元(2次元)翼のパラメータ化に深い生成モデルを用いることで高い表現能力/性能を達成し、形状最適化に大いに役立つことが示されている。
本稿では,航空機翼,タービンブレード,車体,船体などの3次元空力・流体力学的形状の効率的なパラメータ化を行うための,深部生成モデルであるffd-gan(free-form deformation generative adversarial networks)を提案する。
学習したモデルは、設計変数のコンパクトな集合を形状を表す3次元表面点にマッピングする。
我々は、生成モデルにFFD層を組み込むことにより、生成したジオメトリの表面の滑らかさと連続性を確保する。
主翼形状設計例を用いてFFD-GANの性能を示す。
その結果,FFD-GANは現実的な設計を生成でき,合理的なパラメータ化を実現できることがわかった。
さらに、FFD-GANの設計空間カバレッジ、設計空間の実現率、設計最適化における性能を検証し、高表現のコンパクト性とキャパシティを実証する。
FFD-GANでランダムに発生する翼間では94%以上の実現率が達成され, FFDとB-スプラインは31%以下であった。
また,ffd-ganは,ffdおよびb-splineパラメータ化と比較して翼形状最適化問題の収束が桁違いに速くなることを示した。
関連論文リスト
- 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) - Incorporating Riemannian Geometric Features for Learning Coefficient of
Pressure Distributions on Airplane Wings [4.980486951730395]
航空機の空力係数は、その幾何学によって著しく影響を受ける。
幾何学理論により, 翼面上の圧力分布の係数を学習するための幾何学的特徴を取り入れることを提案する。
DLR-F11航空機テストセットの平均8.41%でCPの平均二乗誤差(MSE)を減少させる。
論文 参考訳(メタデータ) (2023-12-22T13:09:17Z) - Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - A Synergistic Framework Leveraging Autoencoders and Generative
Adversarial Networks for the Synthesis of Computational Fluid Dynamics
Results in Aerofoil Aerodynamics [0.5018156030818882]
本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。
我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。
条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
論文 参考訳(メタデータ) (2023-05-28T09:46:18Z) - 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) - Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
論文 参考訳(メタデータ) (2022-09-19T02:51:48Z) - 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) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape
Optimization [9.432375767178284]
本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。
我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
論文 参考訳(メタデータ) (2021-01-12T21:25:45Z) - Airfoil Design Parameterization and Optimization using B\'ezier
Generative Adversarial Networks [9.589376389671099]
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。
論文 参考訳(メタデータ) (2020-06-21T05:28:08Z)
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。