論文の概要: Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2201.10002v1
- Date: Fri, 21 Jan 2022 10:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-29 10:59:00.807137
- Title: Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks
- Title（参考訳）: 物理駆動畳み込みニューラルネットワークを用いた熱伝導板レイアウト最適化
- Authors: Hao Ma, Yang Sun, Mario Chiarelli
- Abstract要約: 熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。
データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。
本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
- 参考スコア（独自算出の注目度）: 14.198900757461555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The layout optimization of the heat conduction is essential during design in
engineering, especially for thermal sensible products. When the optimization
algorithm iteratively evaluates different loading cases, the traditional
numerical simulation methods used usually lead to a substantial computational
cost. To effectively reduce the computational effort, data-driven approaches
are used to train a surrogate model as a mapping between the prescribed
external loads and various geometry. However, the existing model are trained by
data-driven methods which requires intensive training samples that from
numerical simulations and not really effectively solve the problem. Choosing
the steady heat conduction problems as examples, this paper proposes a
Physics-driven Convolutional Neural Networks (PD-CNN) method to infer the
physical field solutions for random varied loading cases. After that, the
Particle Swarm Optimization (PSO) algorithm is used to optimize the sizes and
the positions of the hole masks in the prescribed design domain, and the
average temperature value of the entire heat conduction field is minimized, and
the goal of minimizing heat transfer is achieved. Compared with the existing
data-driven approaches, the proposed PD-CNN optimization framework not only
predict field solutions that are highly consistent with conventional simulation
results, but also generate the solution space with without any pre-obtained
training data.
- Abstract（参考訳）: 熱伝導のレイアウト最適化は工学設計、特に熱感性製品の設計において不可欠である。
最適化アルゴリズムが様々な負荷事例を反復的に評価する場合、従来の数値シミュレーション手法は通常、かなりの計算コストをもたらす。
計算労力を効果的に削減するため、データ駆動アプローチは、所定の外部負荷と様々な幾何間のマッピングとしてサロゲートモデルを訓練するために使用される。
しかし、既存のモデルは、数値シミュレーションによる集中的なトレーニングサンプルを必要とするデータ駆動方式で訓練されており、この問題を効果的に解決していない。
本稿では, 定常熱伝導問題を例として, 物理駆動畳み込みニューラルネットワーク (pd-cnn) 法を提案する。
その後、所定の設計領域におけるホールマスクのサイズと位置を最適化するために、Particle Swarm Optimization (PSO)アルゴリズムを用い、熱伝導場全体の平均温度値を最小化し、熱伝達を最小化する目標を達成する。
提案したPD-CNN最適化フレームワークは,従来のシミュレーション結果と高い整合性を持つフィールドソリューションを予測できるだけでなく,事前のトレーニングデータなしで解空間を生成する。
関連論文リスト
- Finite Operator Learning: Bridging Neural Operators and Numerical Methods for Efficient Parametric Solution and Optimization of PDEs [0.0]
本稿では,ニューラルネットワーク,物理情報処理機械学習,およびPDEを解くための標準的な数値法を組み合わせた手法を提案する。
データのない方法で偏微分方程式をパラメトリックに解き、正確な感度を与えることができる。
本研究では, 不均一材料中の定常熱方程式に着目した。
論文 参考訳（メタデータ） (2024-07-04T21:23:12Z) - Differentially Private Optimization with Sparse Gradients [60.853074897282625]
微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。
これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
論文 参考訳（メタデータ） (2024-04-16T20:01:10Z) - 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) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳（メタデータ） (2022-08-20T13:49:11Z) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2022-03-15T08:43:24Z) - Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
論文 参考訳（メタデータ） (2021-09-26T03:24:23Z) - De-homogenization using Convolutional Neural Networks [1.0323063834827415]
本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。
パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
論文 参考訳（メタデータ） (2021-05-10T09:50:06Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - 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。