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
- FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
本稿ではFuncGenFoilについて紹介する。FuncGenFoilは機能翼測地を直接学習する関数空間生成モデルである。
AFBenchデータセットの実験的評価は、FuncGenFoilが翼の生成における最先端の手法を改善することを示した。
論文 参考訳(メタデータ) (2025-02-15T07:56:58Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳(メタデータ) (2025-02-06T18:57:57Z) - Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。
また,GA-Planeは既存の表現にも適用可能であることを示す。
論文 参考訳(メタデータ) (2024-11-20T18:21:58Z) - L3DG: Latent 3D Gaussian Diffusion [74.36431175937285]
L3DGは3次元ガウス拡散定式化による3次元ガウスの3次元モデリングのための最初のアプローチである。
我々は、部屋の大きさのシーンで効率的に操作するために、スパース畳み込みアーキテクチャーを用いている。
3Dガウス表現を利用することで、生成されたシーンを任意の視点からリアルタイムでレンダリングすることができる。
論文 参考訳(メタデータ) (2024-10-17T13:19:32Z) - VehicleSDF: A 3D generative model for constrained engineering design via surrogate modeling [3.746111274696241]
本研究は,自動車開発におけるデザイン空間の探索に3次元生成モデルを用いたことを明らかにする。
我々は、所定の幾何学的仕様を満たす車両の様々な3Dモデルを生成する。
また,空力抵抗などの性能パラメータを高速に推定する。
論文 参考訳(メタデータ) (2024-10-09T16:59:24Z) - Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。
我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
論文 参考訳(メタデータ) (2024-08-28T16:12:16Z) - 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) - 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) - 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) - 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。