論文の概要: Deep convolutional neural network for shape optimization using level-set approach

• arxiv url: http://arxiv.org/abs/2201.06210v1
• Date: Mon, 17 Jan 2022 04:41:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 18:35:23.164781
• Title: Deep convolutional neural network for shape optimization using level-set approach
• Title（参考訳）: レベルセットアプローチによる形状最適化のための深層畳み込みニューラルネットワーク
• Authors: Wrik Mallik, Neil Farvolden, Rajeev K. Jaiman and Jasmin Jelovica
• Abstract要約: 本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。 CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article presents a reduced-order modeling methodology for shape optimization applications via deep convolutional neural networks (CNNs). The CNN provides a nonlinear mapping between the shapes and their associated attributes while conserving the equivariance of these attributes to the shape translations. To implicitly represent complex shapes via a CNN-applicable Cartesian structured grid, a level-set method is employed. The CNN-based reduced-order model (ROM) is constructed in a completely data-driven manner, and suited for non-intrusive applications. We demonstrate our complete ROM-based shape optimization on a gradient-based three-dimensional shape optimization problem to minimize the induced drag of a wing in potential flow. We show a satisfactory comparison between ROM-based optima for the aerodynamic coefficients compared to their counterparts obtained via a potential flow solver. The predicted behavior of our ROM-based global optima closely matches the theoretical predictions. We also present the learning mechanism of the deep CNN model in a physically interpretable manner. The CNN-ROM-based shape optimization algorithm exhibits significant computational efficiency compared to full order model-based online optimization applications. Thus, it promises a tractable solution for shape optimization of complex configuration and physical problems.
• Abstract（参考訳）: 本稿では, 深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。 CNNは、これらの属性と形変換の等価性を保ちながら、形状とその関連属性の間の非線形マッピングを提供する。 CNN適用可能なカルテシアン構造格子を介して複雑な形状を暗黙的に表現するために、レベルセット法を用いる。 cnnベースの還元順序モデル(rom)は完全にデータ駆動の方法で構築され、非インタラクティブなアプリケーションに適している。 傾斜型3次元形状最適化問題に対して, ROMを用いた形状最適化の完全性を示し, 潜在的流れにおける翼の引きずりの最小化を図った。 本研究では, 空気力学係数に対するromに基づくオプティマと, ポテンシャルフローソルバを用いて得られたオプティマの比較を行った。 ROMに基づくグローバルオプティマの予測挙動は理論的予測と密接に一致している。 また,深部CNNモデルの学習機構を物理的に解釈可能な方法で提示する。 CNN-ROMに基づく形状最適化アルゴリズムは,完全順序モデルに基づくオンライン最適化と比較して,計算効率がかなり高い。 したがって、複雑な構成と物理的問題の形状最適化のための扱いやすい解を約束する。

関連論文リスト

• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Mixed-Integer Optimisation of Graph Neural Networks for Computer-Aided Molecular Design [4.593587844188084]
  ReLUニューラルネットワークは、混合整数線形プログラミング(MILP)の制約としてモデル化されている。 本稿では、ReLUグラフ畳み込みニューラルネットワークの定式化と、ReLUグラフSAGEモデルのMILP定式化を提案する。 これらの定式化により、グローバルな最適性に埋め込まれた訓練されたGNNで最適化問題を解くことができる。
  論文  参考訳（メタデータ） (2023-12-02T21:10:18Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• 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)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• Implicit Convex Regularizers of CNN Architectures: Convex Optimization of Two- and Three-Layer Networks in Polynomial Time [70.15611146583068]
  本稿では,ReLUアクティベーションを用いた畳み込みニューラルネットワーク(CNN)のトレーニングについて検討する。 我々は,データサンプル数,ニューロン数,データ次元に関して,厳密な凸最適化を導入する。
  論文  参考訳（メタデータ） (2020-06-26T04:47:20Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)
• Deep learning-based topological optimization for representing a user-specified design area [0.060917028769172814]
  本稿では,設計領域や他の境界条件に対して,繰り返しを伴わない最適化された構造を生成するための新しいディープラーニングモデルを提案する。 最適化された構造の解像度は32×32ピクセルであり、設計条件は設計面積、体積率、外部力の分布、負荷である。 提案モデルの性能をBNとSPADEを使用しないCNNモデルと比較し,平均絶対誤差(MAE),平均コンプライアンス誤差,ボリューム誤差と,MAT-LAB符号で生成された最適化トポロジ構造との比較を行った。
  論文  参考訳（メタデータ） (2020-04-11T18:54:07Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。