論文の概要: Transferable Model for Shape Optimization subject to Physical Constraints

• arxiv url: http://arxiv.org/abs/2103.10805v1
• Date: Fri, 19 Mar 2021 13:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 15:55:00.162070
• Title: Transferable Model for Shape Optimization subject to Physical Constraints
• Title（参考訳）: 物理的制約を考慮した形状最適化のためのトランスファーブルモデル
• Authors: Lukas Harsch, Johannes Burgbacher, Stefan Riedelbauch
• Abstract要約: 与えられた物理的制約の対象となるオブジェクトをニューラルネットワークで変換できる方法を提供する。 U-Netアーキテクチャは流体の物理挙動を学習するために用いられる。 ネットワークは流れシミュレーションの解を推測するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The interaction of neural networks with physical equations offers a wide range of applications. We provide a method which enables a neural network to transform objects subject to given physical constraints. Therefore an U-Net architecture is used to learn the underlying physical behaviour of fluid flows. The network is used to infer the solution of flow simulations, which will be shown for a wide range of generic channel flow simulations. Physical meaningful quantities can be computed on the obtained solution, e.g. the total pressure difference or the forces on the objects. A Spatial Transformer Network with thin-plate-splines is used for the interaction between the physical constraints and the geometric representation of the objects. Thus, a transformation from an initial to a target geometry is performed such that the object is fulfilling the given constraints. This method is fully differentiable i.e., gradient informations can be used for the transformation. This can be seen as an inverse design process. The advantage of this method over many other proposed methods is, that the physical constraints are based on the inferred flow field solution. Thus, we have a transferable model which can be applied to varying problem setups and is not limited to a given set of geometry parameters or physical quantities.
• Abstract（参考訳）: ニューラルネットワークと物理方程式の相互作用は、幅広い応用を提供する。 ニューラルネットワークが与えられた物理的制約の対象となるオブジェクトを変換する方法を提供する。 したがって、U-Netアーキテクチャは流体の物理挙動を学習するために用いられる。 このネットワークはフローシミュレーションの解を推定するために使用され、広範囲の一般的なチャネルフローシミュレーションで示される。 物理的有意義な量は、例えば、得られた溶液上で計算することができる。 圧力の差や物体に対する力などです 物体の物理的制約と幾何学的表現の相互作用に,薄板スプライスを用いた空間トランスフォーマーネットワークを用いる。 これにより、オブジェクトが与えられた制約を満たすように、初期から対象の幾何学への変換を行う。 この方法は完全微分可能であり、勾配情報は変換に使うことができる。 これは逆の設計プロセスと見なすことができる。 この手法の他の多くの提案手法に対する利点は、物理制約が推論された流れ場解に基づいていることである。 したがって、様々な問題の設定に適用でき、与えられた幾何パラメータや物理量に限定されない転送可能なモデルが存在する。

関連論文リスト

• Towards Universal Mesh Movement Networks [13.450178050669964]
  我々はUniversal Mesh Movement Network (UM2N)を紹介する。 UM2Nは、異なるサイズ分布と構造を持つメッシュを動かすために、非侵入的ゼロショット方式で適用することができる。 本研究では, 実世界の津波シミュレーション事例とともに, 対流法とナビエ・ストークス法に基づく実例について検討した。
  論文  参考訳（メタデータ） (2024-06-29T09:35:12Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Physics-informed neural networks for transformed geometries and manifolds [0.0]
  本稿では,幾何学的変分を頑健に適合させるために,PINN内に幾何変換を統合する新しい手法を提案する。 従来のPINNに対して,特に幾何学的変動下での柔軟性の向上を実証する。 提案したフレームワークは、パラメータ化されたジオメトリ上でのディープ・ニューラル演算子のトレーニングの展望を示す。
  論文  参考訳（メタデータ） (2023-11-27T15:47:33Z)
• Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
  パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。 物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
  論文  参考訳（メタデータ） (2023-08-04T05:09:06Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
  変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。 具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。 我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
  論文  参考訳（メタデータ） (2021-12-23T03:52:33Z)
• DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
  データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。 ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。 その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-17T12:15:47Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem [0.0]
  貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。 この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。 提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
  論文  参考訳（メタデータ） (2020-01-15T08:20:11Z)

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。