論文の概要: Deep Learning-based FEA surrogate for sub-sea pressure vessel

• arxiv url: http://arxiv.org/abs/2206.03322v1
• Date: Mon, 6 Jun 2022 00:47:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 11:33:09.428792
• Title: Deep Learning-based FEA surrogate for sub-sea pressure vessel
• Title（参考訳）: 深海底圧力容器のための深層学習型FAAサロゲート
• Authors: Harsh Vardhan, Janos Sztipanovits
• Abstract要約: 圧力容器には、浸水できない電子機器、電源、その他のセンサーが含まれている。 圧力容器設計の伝統的な設計手法は、複数の有限要素解析(FEA)ベースのシミュレーションを実行することである。 これらのFAAの実行は、任意の最適化プロセスに非常にコストがかかる。 より優れたアプローチは、FAAベースの予測を学習ベースの回帰器に置き換えることを目的としたサロゲート設計である。
• 参考スコア（独自算出の注目度）: 0.799536002595393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During the design process of an autonomous underwater vehicle (AUV), the pressure vessel has a critical role. The pressure vessel contains dry electronics, power sources, and other sensors that can not be flooded. A traditional design approach for a pressure vessel design involves running multiple Finite Element Analysis (FEA) based simulations and optimizing the design to find the best suitable design which meets the requirement. Running these FEAs are computationally very costly for any optimization process and it becomes difficult to run even hundreds of evaluation. In such a case, a better approach is the surrogate design with the goal of replacing FEA-based prediction with some learning-based regressor. Once the surrogate is trained for a class of problem, then the learned response surface can be used to analyze the stress effect without running the FEA for that class of problem. The challenge of creating a surrogate for a class of problems is data generation. Since the process is computationally costly, it is not possible to densely sample the design space and the learning response surface on sparse data set becomes difficult. During experimentation, we observed that a Deep Learning-based surrogate outperforms other regression models on such sparse data. In the present work, we are utilizing the Deep Learning-based model to replace the costly finite element analysis-based simulation process. By creating the surrogate we speed up the prediction on the other design much faster than direct Finite element Analysis. We also compared our DL-based surrogate with other classical Machine Learning (ML) based regression models( random forest and Gradient Boost regressor). We observed on the sparser data, the DL-based surrogate performs much better than other regression models.
• Abstract（参考訳）: 自律型水中車両(AUV)の設計過程において、圧力容器は重要な役割を果たす。 圧力容器には、ドライエレクトロニクス、電源、その他浸水できないセンサーが含まれている。 圧力容器設計の伝統的な設計手法は、複数の有限要素解析(FEA)に基づくシミュレーションを実行し、要求を満たす最適な設計を見つけるために設計を最適化することである。 これらの実行は、あらゆる最適化プロセスにとって計算コストが非常に高く、数百もの評価を実行することが困難になる。 そのような場合、より優れたアプローチは、FEAベースの予測を学習ベースの回帰器に置き換えることを目的としたサロゲート設計である。 サロゲートがクラス問題のために訓練されると、学習された応答面は、そのクラス問題に対するfeaを実行することなくストレス効果を分析するために使用できる。 問題クラスのサロゲートを作成するという課題は、データ生成です。 このプロセスは計算コストがかかるため、設計空間を密にサンプリングすることは不可能であり、スパースデータセットの学習応答面は困難になる。 実験中、深層学習に基づくサーロゲートが、そのようなスパースデータ上で他の回帰モデルを上回ることを観察した。 本研究では,Deep Learningベースのモデルを用いて,コストのかかる有限要素解析に基づくシミュレーションプロセスを置き換える。 サーロゲートを作成することで、直接有限要素分析よりもずっと高速に他の設計の予測を高速化できる。 また、dlベースのsurrogateと、他の古典的な機械学習(ml)ベースの回帰モデル(ランダムフォレストと勾配強化レグレッサー)を比較した。 我々は,スペーサーデータにおいて,DLに基づくサロゲートは他の回帰モデルよりも優れた性能を示した。

関連論文リスト

• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。 ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。 以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• 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)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Data efficient surrogate modeling for engineering design: Ensemble-free batch mode deep active learning for regression [0.6021787236982659]
  そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。 提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
  論文  参考訳（メタデータ） (2022-11-16T02:31:57Z)
• DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy [0.799536002595393]
  能動学習(AL)法と深層学習(DL)法を組み合わせた新しいサンプリング手法を提案する。 我々はこのメソッドを$epsilon$-weighted hybrid query strategy(epsilon$-HQS)と呼ぶ。 実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
  論文  参考訳（メタデータ） (2022-06-24T14:38:05Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field Prediction of Heat Source Layout [0.0]
  ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。 本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。 実験は10の最先端のDNNモデルで行われます。
  論文  参考訳（メタデータ） (2021-03-20T13:26:21Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)
• Surrogate Model For Field Optimization Using Beta-VAE Based Regression [0.0]
  油田開発に関する決定は貯水池シミュレーションに基づく最適化研究を用いて行われる。 ディープラーニングは過去にサロゲートを生成するために用いられてきたが、そのようなモデルは予測の不確かさの定量化に失敗することが多い。 最適化ワークフローで使用するシミュレーションサロゲートを生成するために,β-VAEベースの回帰法を提案する。
  論文  参考訳（メタデータ） (2020-08-26T08:03:03Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。