論文の概要: A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain
- arxiv url: http://arxiv.org/abs/2203.08150v1
- Date: Tue, 15 Mar 2022 08:43:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 10:40:38.753879
- Title: A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain
- Title（参考訳）: 不規則幾何領域における温度場予測のための物理とデータ共駆動サーロゲートモデリング手法
- Authors: Kairui Bao, Wen Yao, Xiaoya Zhang, Wei Peng, Yu Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.264200001067797
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In the whole aircraft structural optimization loop, thermal analysis plays a
very important role. But it faces a severe computational burden when directly
applying traditional numerical analysis tools, especially when each
optimization involves repetitive parameter modification and thermal analysis
followed. Recently, with the fast development of deep learning, several
Convolutional Neural Network (CNN) surrogate models have been introduced to
overcome this obstacle. However, for temperature field prediction on irregular
geometric domains (TFP-IGD), CNN can hardly be competent since most of them
stem from processing for regular images. To alleviate this difficulty, we
propose a novel physics and data co-driven surrogate modeling method. First,
after adapting the Bezier curve in geometric parameterization, a body-fitted
coordinate mapping is introduced to generate coordinate transforms between the
irregular physical plane and regular computational plane. Second, a
physics-driven CNN surrogate with partial differential equation (PDE) residuals
as a loss function is utilized for fast meshing (meshing surrogate); then, we
present a data-driven surrogate model based on the multi-level reduced-order
method, aiming to learn solutions of temperature field in the above regular
computational plane (thermal surrogate). Finally, combining the grid position
information provided by the meshing surrogate with the scalar temperature field
information provided by the thermal surrogate (combined model), we reach an
end-to-end surrogate model from geometric parameters to temperature field
prediction on an irregular geometric domain. Numerical results demonstrate that
our method can significantly improve accuracy prediction on a smaller dataset
while reducing the training time when compared with other CNN methods.
- Abstract（参考訳）: 航空機の構造最適化ループ全体において、熱分析は非常に重要な役割を果たす。
しかし、従来の解析ツールを直接適用する場合、特に各最適化が繰り返しパラメータの変更と熱分析を伴う場合、計算の重荷に直面している。
近年、ディープラーニングの急速な発展に伴い、この障害を克服するためにいくつかの畳み込みニューラルネットワーク(CNN)サロゲートモデルが導入されている。
しかし, 不規則幾何領域の温度場予測(tfp-igd)では, ほとんどが正規画像の処理に起因しているため, cnnは有能ではない。
この難しさを緩和するために,新しい物理とデータ共駆動のサロゲートモデリング手法を提案する。
まず、幾何パラメータ化におけるベジエ曲線の適用後、不規則な物理平面と正規な計算平面の間の座標変換を生成するために体適合座標写像を導入する。
第2に、損失関数として偏微分方程式(pde)残差を持つ物理駆動cnnサーロゲートを高速メッシュ(meshing surrogate)に利用し、上記の正則計算平面(thermal surrogate)における温度場の解を学習することを目的としたマルチレベル還元次法に基づくデータ駆動サーロゲートモデルを提案する。
最後に、メッシュサーロゲートが提供する格子位置情報と熱サーロゲート(結合モデル)が提供するスカラー温度場情報とを組み合わせることで、不規則な幾何領域上の温度場予測に幾何学パラメータから端から端までのサーロゲートモデルに到達する。
その結果,本手法は他のcnn法と比較してトレーニング時間を短縮しつつ,より小さなデータセットでの精度予測を著しく改善できることがわかった。
関連論文リスト
- Scalar Field Prediction on Meshes Using Interpolated Multi-Resolution Convolutional Neural Networks [0.0]
任意のメッシュ上でスカラー場を予測する手法を提案する。
このモデルは有限要素von Mises応力場に基づいて訓練され、一度訓練すれば、任意の入力メッシュ上の各ノードの応力値を推定することができる。
また, 熱伝導問題における温度場のモデルも示しており, 予測値の中央値は0.99である。
論文 参考訳（メタデータ） (2024-10-07T21:59:34Z) - Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
論文 参考訳（メタデータ） (2024-01-04T18:42:28Z) - 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) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Graph Neural Network Based Surrogate Model of Physics Simulations for
Geometry Design [0.20315704654772412]
物理シミュレーションのための高速サロゲートモデルとしてグラフニューラルネットワーク(GNN)を開発した。
ノードレベルとグラフレベルの両方で柔軟に予測できるエンコーダ・プロセッサ・デコーダ型アーキテクチャを利用する。
提案したGNNベースサロゲートモデルの性能を2つの例に示す。
論文 参考訳（メタデータ） (2023-02-01T16:23:29Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks [14.198900757461555]
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。
論文 参考訳（メタデータ） (2022-01-21T10:43:57Z) - 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) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。