論文の概要: SimJEB: Simulated Jet Engine Bracket Dataset
- arxiv url: http://arxiv.org/abs/2105.03534v1
- Date: Fri, 7 May 2021 23:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 04:39:10.308386
- Title: SimJEB: Simulated Jet Engine Bracket Dataset
- Title(参考訳): SimJEB: Simulated Jet Engine Bracket Dataset
- Authors: Eamon Whalen, Azariah Beyene, Caitlin Mueller
- Abstract要約: 本稿では,Simulated Jet Engine Bracketデータセット(SimJEB)を紹介する。
SimJEBは、クラウドソースのメカニカルブラケットと高忠実な構造シミュレーションの新しいパブリックコレクションです。
SimJEBのモデルは、GrabCAD Jet Engine Bracket Challengeへのオリジナルの提出から収集されました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in geometric deep learning have enabled a new class of
engineering surrogate models; however, few existing shape datasets are
well-suited to evaluate them. This paper introduces the Simulated Jet Engine
Bracket Dataset (SimJEB): a new, public collection of crowdsourced mechanical
brackets and high-fidelity structural simulations designed specifically for
surrogate modeling. SimJEB models are more complex, diverse, and realistic than
the synthetically generated datasets commonly used in parametric surrogate
model evaluation. In contrast to existing engineering shape collections,
SimJEB's models are all designed for the same engineering function and thus
have consistent structural loads and support conditions. The models in SimJEB
were collected from the original submissions to the GrabCAD Jet Engine Bracket
Challenge: an open engineering design competition with over 700 hand-designed
CAD entries from 320 designers representing 56 countries. Each model has been
cleaned, categorized, meshed, and simulated with finite element analysis
according to the original competition specifications. The result is a
collection of diverse, high-quality and application-focused designs for
advancing geometric deep learning and engineering surrogate models.
- Abstract(参考訳): 近年の幾何学的ディープラーニングの進歩により、新しい種類のエンジニアリングサーロゲートモデルが可能になったが、既存の形状データセットは評価に適していない。
本稿では,クラウドソーシングされた新しい機械括弧の集合であるシミュレートジェットエンジンブラケットデータセット(simjeb)と,サロゲートモデリング用に設計された高忠実度構造シミュレーションについて紹介する。
SimJEBモデルは、パラメトリックサロゲートモデル評価で一般的に使用される合成データセットよりも複雑で多様でリアルである。
既存のエンジニアリング形状のコレクションとは対照的に、SimJEBのモデルはどれも同じエンジニアリング機能のために設計されており、一貫した構造的な負荷とサポート条件を持つ。
SimJEBのモデルは、GrabCAD Jet Engine Bracket Challenge: 56か国を代表する320人のデザイナーによる700以上の手作りCADエントリーとのオープンエンジニアリングデザインコンペティションから集められた。
各モデルはクリーニング、分類、メッシュ化され、元の競合仕様に従って有限要素分析によってシミュレートされている。
その結果は、幾何学的深層学習と工学的サロゲートモデルを進めるための多様で高品質でアプリケーション中心の設計のコレクションである。
関連論文リスト
- Pushing Auto-regressive Models for 3D Shape Generation at Capacity and
Scalability [121.44324465222498]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳(メタデータ) (2024-02-19T15:33:09Z) - Generative VS non-Generative Models in Engineering Shape Optimization [0.3749861135832073]
設計空間構築における生成モデルと非生成モデルの有効性と効率を比較した。
非生成的モデルは、生成的モデルと比較して、無効な設計がほとんどあるいは著しく少ないロバストな潜在空間を生成する。
論文 参考訳(メタデータ) (2024-02-13T15:45:20Z) - Hybrid Modeling Design Patterns [10.266928164137635]
データ駆動コンポーネントとドメイン知識をハイブリッドアプローチに組み合わせるための青写真として機能する4つの基本パターンを提供します。
また、基本パターンとより複雑なハイブリッドモデルの組み合わせを規定する2つの構成パターンも提示する。
それぞれのデザインパターンは、気候モデリング、工学、物理学といった応用分野の典型的なユースケースによって説明されます。
論文 参考訳(メタデータ) (2023-12-29T15:40:38Z) - AircraftVerse: A Large-Scale Multimodal Dataset of Aerial Vehicle
Designs [15.169540193173923]
AircraftVerseには27,714種類の航空車両がある。
それぞれのデザインは、トポロジー推進サブシステム、バッテリーサブシステム、設計の詳細を記述する象徴的なデザインツリーで構成されている。
本稿では,設計性能の指標を予測するために,設計表現の異なるモダリティを用いたベースラインサロゲートモデルを提案する。
論文 参考訳(メタデータ) (2023-06-08T21:07:15Z) - 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) - Beyond Statistical Similarity: Rethinking Metrics for Deep Generative
Models in Engineering Design [10.531935694354448]
本稿では,工学設計における深部生成モデル(DGM)の評価指標のレビューと実践的指針として,その2つを考察する。
まず,機械学習理論を基礎とした深層生成モデルに対する古典的評価指標について概説する。
次に、深い生成モデルを評価するために使用できる設計固有のメトリクスのセットをキュレートする。
論文 参考訳(メタデータ) (2023-02-06T16:34:16Z) - A Data-Driven Modeling and Control Framework for Physics-Based Building
Emulators [59.821144959060305]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。
a)モデル評価を高速化し、安価な勾配を提供し、モデル予測制御(MPC)の後退地平線に対して良好な予測精度を有する、微分可能な代理モデルのオフライントレーニング。
BOPTEST(Building Optimization Testing Framework)において、複数のサロゲートモデルと異なるテストケースに対する最適化フレームワークを用いて、モデリングおよび制御性能を広範囲に検証する。
論文 参考訳(メタデータ) (2023-01-31T06:55:19Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。
ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
論文 参考訳(メタデータ) (2021-10-26T14:04:02Z) - SketchGraphs: A Large-Scale Dataset for Modeling Relational Geometry in
Computer-Aided Design [18.041056084458567]
CAD(Parametric Computer-Aided Design)は、物理設計における機械工学の主要なパラダイムである。
SketchGraphsは、実世界のCADモデルから抽出された1500万のスケッチと、オープンソースのデータ処理パイプラインを組み合わせたコレクションである。
論文 参考訳(メタデータ) (2020-07-16T17:56:25Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。