論文の概要: Designing MacPherson Suspension Architectures using Bayesian
Optimization
- arxiv url: http://arxiv.org/abs/2206.09022v1
- Date: Fri, 17 Jun 2022 21:50:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 18:20:05.130795
- Title: Designing MacPherson Suspension Architectures using Bayesian
Optimization
- Title（参考訳）: ベイズ最適化を用いたMacPhersonサスペンションアーキテクチャの設計
- Authors: Sinnu Susan Thomas, Jacopo Palandri, Mohsen Lakehal-ayat, Punarjay
Chakravarty, Friedrich Wolf-Monheim and Matthew B. Blaschko
- Abstract要約: コンプライアンステストは、まず、規律モデルを用いたコンピュータシミュレーションによって行われる。
このシミュレーションを通した設計は、物理的プロトタイピングとして考慮される。
提案手法は汎用的で,スケーラブルで,効率的であることを示す。
- 参考スコア（独自算出の注目度）: 21.295015276123962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Engineering design is traditionally performed by hand: an expert makes design
proposals based on past experience, and these proposals are then tested for
compliance with certain target specifications. Testing for compliance is
performed first by computer simulation using what is called a discipline model.
Such a model can be implemented by a finite element analysis, multibody systems
approach, etc. Designs passing this simulation are then considered for physical
prototyping. The overall process may take months, and is a significant cost in
practice. We have developed a Bayesian optimization system for partially
automating this process by directly optimizing compliance with the target
specification with respect to the design parameters. The proposed method is a
general framework for computing a generalized inverse of a high-dimensional
non-linear function that does not require e.g. gradient information, which is
often unavailable from discipline models. We furthermore develop a two-tier
convergence criterion based on (i) convergence to a solution optimally
satisfying all specified design criteria, or (ii) convergence to a minimum-norm
solution. We demonstrate the proposed approach on a vehicle chassis design
problem motivated by an industry setting using a state-of-the-art commercial
discipline model. We show that the proposed approach is general, scalable, and
efficient, and that the novel convergence criteria can be implemented
straightforwardly based on existing concepts and subroutines in popular
Bayesian optimization software packages.
- Abstract（参考訳）: エンジニアリング設計は伝統的に手作業で行われ、専門家は過去の経験に基づいて設計提案を行い、これらの提案は特定の目標仕様に従ってテストされる。
コンプライアンステストは、まず、規律モデルと呼ばれるものを使用してコンピュータシミュレーションによって実行される。
そのようなモデルは有限要素解析や多体システムアプローチなどで実装することができる。
このシミュレーションを通した設計は、物理的プロトタイピングとして考慮される。
全体のプロセスには何ヶ月もかかり、実践にはかなりのコストがかかります。
我々は,設計パラメータに対する対象仕様への準拠を直接最適化することにより,このプロセスを部分的に自動化するベイズ最適化システムを開発した。
提案手法は,勾配情報を必要としない高次元非線形関数の一般化逆を計算するための一般的なフレームワークである。
さらに,2層収束基準を策定する。
一 すべての特定設計基準を最適に満たす解に収束すること、又は
(ii)最小ノルム解への収束。
最先端の商業規律モデルを用いて,産業設定に動機づけられた車体シャシー設計問題に対する提案手法を実証する。
提案手法は汎用的でスケーラブルで効率的であり,ベイズ最適化ソフトウェアパッケージの既存の概念やサブルーチンに基づいて,新しい収束基準を簡単に実装可能であることを示す。
関連論文リスト
- Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。
我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。
本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
論文 参考訳（メタデータ） (2024-08-07T01:01:35Z) - Quantum annealing-based structural optimization with a multiplicative design update [0.0]
本稿では、量子アニール(QA)による反復最適化に基づく新しい構造設計フレームワークを提案する。
新規性は、QAによる最適化問題を反復的に解決した未知の設計乗算器を用いて、設計の更新に成功したことにある。
構造最適化における密度に基づくアプローチに合わせて、乗算器は設計材料を表現するために乗法的であり、設計変数として機能する。
論文 参考訳（メタデータ） (2024-06-27T02:07:38Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Pseudo-Bayesian Optimization [7.556071491014536]
ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。
我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-15T07:55:28Z) - 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) - Optimal Design of Electric Machine with Efficient Handling of
Constraints and Surrogate Assistance [5.387300498478744]
本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。
提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
論文 参考訳（メタデータ） (2022-06-03T17:13:29Z) - Multi-objective robust optimization using adaptive surrogate models for
problems with mixed continuous-categorical parameters [0.0]
ロバスト設計の最適化は、不確実性が主に目的関数に影響を与える場合、伝統的に考慮されている。
結果として生じるネスト最適化問題は、非支配的ソート遺伝的アルゴリズム(NSGA-II)において、汎用的な解法を用いて解決することができる。
提案手法は、適応的に構築されたKrigingモデルを用いて、NSGA-IIを順次実行し、量子を推定する。
論文 参考訳（メタデータ） (2022-03-03T20:23:18Z) - 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) - 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) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z)
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。