論文の概要: Deep Learning-Based Inverse Design for Engineering Systems:
Multidisciplinary Design Optimization of Automotive Brakes
- arxiv url: http://arxiv.org/abs/2202.13309v1
- Date: Sun, 27 Feb 2022 08:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 18:23:44.207640
- Title: Deep Learning-Based Inverse Design for Engineering Systems:
Multidisciplinary Design Optimization of Automotive Brakes
- Title(参考訳): 深層学習に基づくエンジニアリングシステムの逆設計--自動車ブレーキの多分野設計最適化
- Authors: Seongsin Kim, Minyoung Jwa, Soonwook Lee, Sunghoon Park, Namwoo Kang
- Abstract要約: Apparent piston travel (APT) とドラッグトルクは、ブレーキ性能を評価する上で最も代表的な要因である。
近年,ディープラーニング (DL) を用いた逆設計の研究により, 最適設計を瞬時に生成する可能性が確立されている。
MIDは、精度と計算コストの観点から、単系統の逆設計と同じような性能を達成した。
- 参考スコア(独自算出の注目度): 2.362412515574206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The braking performance of the brake system is a target performance that must
be considered for vehicle development. Apparent piston travel (APT) and drag
torque are the most representative factors for evaluating braking performance.
In particular, as the two performance factors have a conflicting relationship
with each other, a multidisciplinary design optimization (MDO) approach is
required for brake design. However, the computational cost of MDO increases as
the number of disciplines increases. Recent studies on inverse design that use
deep learning (DL) have established the possibility of instantly generating an
optimal design that can satisfy the target performance without implementing an
iterative optimization process. This study proposes a DL-based
multidisciplinary inverse design (MID) that simultaneously satisfies multiple
targets, such as the APT and drag torque of the brake system. Results show that
the proposed inverse design can find the optimal design more efficiently
compared with the conventional optimization methods, such as backpropagation
and sequential quadratic programming. The MID achieved a similar performance to
the single-disciplinary inverse design in terms of accuracy and computational
cost. A novel design was derived on the basis of results, and the same
performance was satisfied as that of the existing design.
- Abstract(参考訳): ブレーキシステムのブレーキ性能は、車両開発に考慮しなければならない目標性能である。
Apparent piston travel (APT) とドラッグトルクは、ブレーキ性能を評価する上で最も代表的な要因である。
特に、2つの性能要因が互いに矛盾する関係にあるため、ブレーキ設計には多分野設計最適化(MDO)アプローチが必要である。
しかし、MDOの計算コストは、規律の数が増えるにつれて増加する。
近年,Deep Learning (DL) を用いた逆設計の研究により,反復的最適化プロセスを実装することなく,目標性能を満足できる最適設計を瞬時に生成する可能性が高まっている。
本研究では,ブレーキシステムのaptやドラッグトルクなど,複数の目標を同時に満たすdlベースの多分野逆設計 (mid) を提案する。
その結果,提案する逆設計は,バックプロパゲーションや逐次二次計画といった従来の最適化手法と比較して,最適設計をより効率的に求めることができることがわかった。
MIDは、精度と計算コストの観点から、単系統の逆設計と同じような性能を達成した。
結果に基づいて新規な設計が導出され,既存の設計と同等の性能が得られた。
関連論文リスト
- Vehicle Suspension Recommendation System: Multi-Fidelity Neural Network-based Mechanism Design Optimization [4.038368925548051]
自動車のサスペンションは運転性能と乗り心地を改善するように設計されているが、環境によって異なる種類が利用できる。
従来の設計プロセスは多段階であり、設計候補の数を徐々に減らし、目標性能を満たすためにコスト分析を行う。
近年、AIモデルはFAAの計算コストの削減に利用されている。
論文 参考訳(メタデータ) (2024-10-03T23:54:03Z) - Structural Optimization of Lightweight Bipedal Robot via SERL [6.761861053481078]
本稿では,移動課題の強化学習と進化アルゴリズムを組み合わせたSERL(Structure Evolution Reinforcement Learning)アルゴリズムを提案する。
We designed a bipedal robot called Wow Orin, where the optimal leg length are obtained through optimization based on body structure and motor Turk。
論文 参考訳(メタデータ) (2024-08-28T08:34:05Z) - Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。
提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。
本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
論文 参考訳(メタデータ) (2024-02-22T02:36:14Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - 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) - Investigating Positive and Negative Qualities of Human-in-the-Loop
Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。
モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。
一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文 参考訳(メタデータ) (2022-04-15T20:40:43Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Analog Circuit Design with Dyna-Style Reinforcement Learning [12.232323973906773]
本稿では,アナログ回路設計における学習に基づくアプローチを提案する。
まず、ニューラルネットワークによって近似された性能の代理モデル(英語版)を学習し、必要なシミュレーション数の削減を図る。
第2に、制約を満たす多様なソリューション空間を探索するためにポリシージェネレータを使用し、その結果、ポリシーをトレーニングするために20,000の回路シミュレーションで適用されたモデルフリー手法と比較して、DynaOptは、わずか500のシミュレーションでスクラッチから学習することで、さらに優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2020-11-16T00:19:25Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳(メタデータ) (2020-08-17T06:50:47Z)
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。