論文の概要: Inverse airfoil design method for generating varieties of smooth airfoils using conditional WGAN-gp

• arxiv url: http://arxiv.org/abs/2110.00212v1
• Date: Fri, 1 Oct 2021 04:47:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 00:21:33.745899
• Title: Inverse airfoil design method for generating varieties of smooth airfoils using conditional WGAN-gp
• Title（参考訳）: 条件付きWGAN-gpを用いたスムーズ翼の逆翼設計法
• Authors: Kazuo Yonekura, Nozomu Miyamoto, Katsuyuki Suzuki
• Abstract要約: 本稿では, 空気翼形状を生成するために, 勾配ペナルティ(CWGAN-GP)を有する条件付きワッサースタインGANを提案する。 得られた形状は、平滑化法で得られた形状と同じくらい滑らかである。 提案モデルでは,リフト係数要求を満たす形状を出力する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models are recently utilized for airfoil shape generation methods. It is desired to obtain airfoil shapes that satisfies required lift coefficient. Generative adversarial networks (GAN) output reasonable airfoil shapes. However, shapes obtained from ordinal GAN models are not smooth, and they need smoothing before flow analysis. Therefore, the models need to be coupled with Bezier curves or other smoothing methods to obtain smooth shapes. Generating shapes without any smoothing methods is challenging. In this study, we employed conditional Wasserstein GAN with gradient penalty (CWGAN-GP) to generate airfoil shapes, and the obtained shapes are as smooth as those obtained using smoothing methods. With the proposed method, no additional smoothing method is needed to generate airfoils. Moreover, the proposed model outputs shapes that satisfy the lift coefficient requirements.
• Abstract（参考訳）: 近年, 翼形状生成に機械学習モデルが用いられている。 昇降係数を満足する翼形状を得ることが望まれる。 generative adversarial networks (gan) は合理的な翼形を出力する。 しかし, 正規GANモデルから得られる形状は滑らかではなく, 流動解析に先立って平滑化が必要である。 したがって、モデルをベジエ曲線や他の平滑化法と結合して滑らかな形状を得る必要がある。 平滑な方法で形状を生成することは難しい。 本研究では, 勾配ペナルティ(CWGAN-GP)を有する条件付きワッサースタインGANを用いて翼形状を生成し, 得られた形状は平滑化法と同等に滑らかである。 提案手法では, 翼生成に新たな平滑化法は不要である。 さらに,提案モデルでは,リフト係数要求を満たす形状を出力する。

関連論文リスト

• Generative Aerodynamic Design with Diffusion Probabilistic Models [0.7373617024876725]
  生成モデルは、シミュレーションの大規模なデータセット上でジオメトリを一般化することにより、ジオメトリを提供する可能性を秘めている。 特に,XFOILシミュレーションで訓練した拡散確率モデルを用いて,所定の空力特性と制約を条件とした2次元翼ジオメトリーを合成する。 モデルが同一の要件と制約に対して多様な候補設計を生成可能であることを示し、最適化手順に複数の出発点を提供する設計空間を効果的に探索する。
  論文  参考訳（メタデータ） (2024-09-20T08:38:36Z)
• 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)
• Make-A-Shape: a Ten-Million-scale 3D Shape Model [52.701745578415796]
  本稿では,大規模な効率的なトレーニングを目的とした新しい3次元生成モデルであるMake-A-Shapeを紹介する。 まずウェーブレットツリー表現を革新し、サブバンド係数フィルタリングスキームを定式化して形状をコンパクトに符号化する。 我々は、粗いウェーブレット係数の生成を効果的に学習するために、我々のモデルを訓練するためのサブバンド適応型トレーニング戦略を導出する。
  論文  参考訳（メタデータ） (2024-01-20T00:21:58Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  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。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• 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)
• MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
  本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。 メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。 具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-14T17:59:01Z)
• 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)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• Functional additive regression on shape and form manifolds of planar curves [0.0]
  我々は、形と形を、翻訳、回転、および -- 形状について -- の同値類として定義する。 平面曲線やランドマークの形状や形状のモデルに一般化された加法的回帰を拡張します。
  論文  参考訳（メタデータ） (2021-09-06T17:43:32Z)
• 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)

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。