論文の概要: Inverse design optimization framework via a two-step deep learning
approach: application to a wind turbine airfoil
- arxiv url: http://arxiv.org/abs/2108.08500v1
- Date: Thu, 19 Aug 2021 05:00:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 14:43:29.506338
- Title: Inverse design optimization framework via a two-step deep learning
approach: application to a wind turbine airfoil
- Title（参考訳）: 2段階深層学習による逆設計最適化の枠組み-風力タービン翼への適用-
- Authors: Sunwoong Yang, Sanga Lee, Kwanjung Yee
- Abstract要約: 所望の目標性能分布が特定されるため, 逆設計は空力設計において計算的に効率的である。
提案手法は,能動的学習と伝達学習を応用し,精度と効率を向上させる。
最適化の結果、このフレームワークは十分正確で効率的で柔軟性があり、他の逆設計工学アプリケーションに適用できることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Though inverse approach is computationally efficient in aerodynamic design as
the desired target performance distribution is specified, it has some
significant limitations that prevent full efficiency from being achieved.
First, the iterative procedure should be repeated whenever the specified target
distribution changes. Target distribution optimization can be performed to
clarify the ambiguity in specifying this distribution, but several additional
problems arise in this process such as loss of the representation capacity due
to parameterization of the distribution, excessive constraints for a realistic
distribution, inaccuracy of quantities of interest due to theoretical/empirical
predictions, and the impossibility of explicitly imposing geometric
constraints. To deal with these issues, a novel inverse design optimization
framework with a two-step deep learning approach is proposed. A variational
autoencoder and multi-layer perceptron are used to generate a realistic target
distribution and predict the quantities of interest and shape parameters from
the generated distribution, respectively. Then, target distribution
optimization is performed as the inverse design optimization. The proposed
framework applies active learning and transfer learning techniques to improve
accuracy and efficiency. Finally, the framework is validated through
aerodynamic shape optimizations of the airfoil of a wind turbine blade, where
inverse design is actively being applied. The results of the optimizations show
that this framework is sufficiently accurate, efficient, and flexible to be
applied to other inverse design engineering applications.
- Abstract（参考訳）: 空力設計では, 目標性能分布が特定されるため, 逆アプローチは計算効率が高いが, 完全効率化を阻害する重要な限界がある。
まず、指定されたターゲット分布が変化するたびに反復手順を繰り返す。
対象分布最適化は、この分布を特定する際の曖昧さを明らかにするために行うことができるが、分布のパラメータ化による表現能力の喪失、現実的な分布に対する過度な制約、理論的・経験的予測による関心の量の不正確性、幾何学的制約を明示的に課すことの不可能など、いくつかの問題が発生する。
これらの問題に対処するために,2段階の深層学習アプローチを備えた新しい逆設計最適化フレームワークを提案する。
可変オートエンコーダと多層パーセプトロンを用いて、現実的な目標分布を生成し、生成した分布からそれぞれ興味と形状パラメータの量を予測する。
そして、逆設計最適化として目標分布最適化を行う。
提案手法は,能動的学習と伝達学習を応用し,精度と効率を向上させる。
最後に、逆設計が積極的に適用されている風力タービンブレードの翼の空力形状最適化により、枠組みを検証する。
最適化の結果、このフレームワークは他の逆設計工学アプリケーションに適用できるほど正確で効率的で柔軟であることが判明した。
関連論文リスト
- Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - 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) - Implicit Diffusion: Efficient Optimization through Stochastic Sampling [46.049117719591635]
パラメータ化拡散により暗黙的に定義された分布を最適化するアルゴリズムを提案する。
本稿では,これらのプロセスの1次最適化のための一般的なフレームワークについて紹介する。
エネルギーベースモデルのトレーニングや拡散の微調整に応用する。
論文 参考訳（メタデータ） (2024-02-08T08:00:11Z) - Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。
新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
論文 参考訳（メタデータ） (2024-01-30T14:16:06Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Stochastic Bayesian Optimization with Unknown Continuous Context
Distribution via Kernel Density Estimation [28.413085548038932]
本稿では,カーネル密度推定を用いて連続文脈変数の確率密度関数(PDF)をオンラインで学習する2つのアルゴリズムを提案する。
理論的結果は、両方のアルゴリズムが期待する目的に対して準線形ベイズ累積後悔を持つことを示している。
論文 参考訳（メタデータ） (2023-12-16T11:32:28Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-05T08:32:07Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳（メタデータ） (2020-09-01T19:12:11Z) - Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。
我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。
また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
論文 参考訳（メタデータ） (2020-02-16T09:01:18Z)
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。