論文の概要: Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data
- arxiv url: http://arxiv.org/abs/2203.09204v1
- Date: Thu, 17 Mar 2022 09:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 15:49:54.319583
- Title: Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data
- Title（参考訳）: 境界データに基づくパラメトリック三次元流れ予測のための物理インフォームド深層学習の検討
- Authors: Philip Heger, Markus Full, Daniel Hilger, Norbert Hosters
- Abstract要約: 熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The placement of temperature sensitive and safety-critical components is
crucial in the automotive industry. It is therefore inevitable, even at the
design stage of new vehicles that these components are assessed for potential
safety issues. However, with increasing number of design proposals, risk
assessment quickly becomes expensive. We therefore present a parameterized
surrogate model for the prediction of three-dimensional flow fields in
aerothermal vehicle simulations. The proposed physics-informed neural network
(PINN) design is aimed at learning families of flow solutions according to a
geometric variation. In scope of this work, we could show that our
nondimensional, multivariate scheme can be efficiently trained to predict the
velocity and pressure distribution for different design scenarios and geometric
scales. The proposed algorithm is based on a parametric minibatch training
which enables the utilization of large datasets necessary for the
three-dimensional flow modeling. Further, we introduce a continuous resampling
algorithm that allows to operate on one static dataset. Every feature of our
methodology is tested individually and verified against conventional CFD
simulations. Finally, we apply our proposed method in context of an exemplary
real-world automotive application.
- Abstract（参考訳）: 温度に敏感で安全に重要な部品の配置は、自動車産業にとって極めて重要である。
したがって、新しい車両の設計段階でも、これらの部品が潜在的な安全性の問題で評価されることは避けられない。
しかし、設計提案の増加に伴い、リスク評価は急速に高価になる。
そこで, 熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化代理モデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて流れ解の族を学習することを目的としている。
この研究の範囲内で、我々の非次元多変量スキームは、異なる設計シナリオと幾何スケールに対する速度と圧力分布を効率的に予測できることを示すことができる。
提案手法は,3次元フローモデリングに必要な大規模データセットの利用を可能にするパラメトリックミニバッチトレーニングに基づいている。
さらに,1つの静的データセット上で動作可能な連続再サンプリングアルゴリズムを提案する。
提案手法のすべての特徴を個別に検証し,従来のCFDシミュレーションと比較した。
最後に,本手法を実世界の自動車応用例の文脈に適用する。
関連論文リスト
- VehicleSDF: A 3D generative model for constrained engineering design via surrogate modeling [3.746111274696241]
本研究は,自動車開発におけるデザイン空間の探索に3次元生成モデルを用いたことを明らかにする。
我々は、所定の幾何学的仕様を満たす車両の様々な3Dモデルを生成する。
また,空力抵抗などの性能パラメータを高速に推定する。
論文 参考訳（メタデータ） (2024-10-09T16:59:24Z) - A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。
オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。
高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
論文 参考訳（メタデータ） (2024-09-25T11:13:50Z) - A systematic dataset generation technique applied to data-driven automotive aerodynamics [0.0]
ニューラルネットワークを用いた自動車測地におけるドラッグ予測の文脈内で、データセットを生成するための新しい戦略が開発されている。
本手法は,少数の開始点に頼り,それらの間を体系的に補間するためのレシピを提供する。
現実的な自動車形状を用いてこの戦略を検証し、畳み込みニューラルネットワークがドラッグ係数や表面圧力を予測するのに非常に優れていることを示す。
論文 参考訳（メタデータ） (2024-08-14T06:37:30Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Weighted Unsupervised Domain Adaptation Considering Geometry Features
and Engineering Performance of 3D Design Data [2.306144660547256]
本稿では,3次元設計データの幾何学的特徴と工学的性能を考慮した2重非教師なし領域適応手法を提案する。
提案モデルでは, 最大von Mises応力の大きさとそれに対応する3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
論文 参考訳（メタデータ） (2023-09-08T00:26:44Z) - CPPF++: Uncertainty-Aware Sim2Real Object Pose Estimation by Vote Aggregation [67.12857074801731]
そこで本研究では,シミュレートからリアルなポーズ推定のための新しい手法であるCPPF++を提案する。
投票衝突による課題に対処するため,投票の不確実性をモデル化する新たなアプローチを提案する。
ノイズの多いペアフィルタリング、オンラインアライメント最適化、機能アンサンブルなど、いくつかの革新的なモジュールを組み込んでいます。
論文 参考訳（メタデータ） (2022-11-24T03:27:00Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 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) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - A Deep Learning Framework for Simulation and Defect Prediction Applied
in Microelectronics [3.8698051494433043]
本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。
我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
論文 参考訳（メタデータ） (2020-02-25T15:54:33Z)
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。