論文の概要: A Manifold-based Airfoil Geometric-feature Extraction and Discrepant
Data Fusion Learning Method
- arxiv url: http://arxiv.org/abs/2206.12254v1
- Date: Thu, 23 Jun 2022 08:55:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 08:33:22.225760
- Title: A Manifold-based Airfoil Geometric-feature Extraction and Discrepant
Data Fusion Learning Method
- Title(参考訳): マニフォールドに基づく翼形状特徴抽出と離散データ融合学習法
- Authors: Yu Xiang, Guangbo Zhang, Liwei Hu, Jun Zhang, Wenyong Wang
- Abstract要約: 本研究では, 航空機の幾何学的特徴を抽出するために, 多様体を用いた翼形状抽出と離散データ融合学習法を提案する。
実験により,本手法は既存の手法によりより高精度に翼形状を抽出できることが示唆された。
- 参考スコア(独自算出の注目度): 17.632073629030845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometrical shape of airfoils, together with the corresponding flight
conditions, are crucial factors for aerodynamic performances prediction. The
obtained airfoils geometrical features in most existing approaches (e.g.,
geometrical parameters extraction, polynomial description and deep learning)
are in Euclidean space. State-of-the-art studies showed that curves or surfaces
of an airfoil formed a manifold in Riemannian space. Therefore, the features
extracted by existing methods are not sufficient to reflect the
geometric-features of airfoils. Meanwhile, flight conditions and geometric
features are greatly discrepant with different types, the relevant knowledge of
the influence of these two factors that on final aerodynamic performances
predictions must be evaluated and learned to improve prediction accuracy.
Motivated by the advantages of manifold theory and multi-task learning, we
propose a manifold-based airfoil geometric-feature extraction and discrepant
data fusion learning method (MDF) to extract geometric-features of airfoils in
Riemannian space (we call them manifold-features) and further fuse the
manifold-features with flight conditions to predict aerodynamic performances.
Experimental results show that our method could extract geometric-features of
airfoils more accurately compared with existing methods, that the average MSE
of re-built airfoils is reduced by 56.33%, and while keeping the same predicted
accuracy level of CL, the MSE of CD predicted by MDF is further reduced by
35.37%.
- Abstract(参考訳): 翼の幾何学的形状は、対応する飛行条件とともに、空気力学的性能予測の重要な要素である。
得られた翼の幾何学的特徴(例えば幾何学的パラメータ抽出、多項式記述、深層学習)はユークリッド空間にある。
最先端の研究は、翼の曲線や曲面がリーマン空間の多様体を形成することを示した。
したがって、既存の方法で抽出した特徴は、翼の幾何学的特徴を反映するのに十分ではない。
一方、飛行条件と幾何学的特徴は異なる種類と大きく異なっており、これら2つの要因の影響に関する関連する知識は、最終的な空力性能予測を評価・学習し、予測精度を向上させる必要がある。
本稿では,多様体理論とマルチタスク学習の利点に動機づけられ,リーマン空間における翼の幾何学的特徴を抽出するための多様体型翼型幾何学的特徴抽出・離散化データ融合学習法(mdf)を提案し,さらにその特徴を飛行条件と融合して空力性能を予測する。
実験結果から,本手法は従来手法よりも高精度に翼の幾何学的特徴を抽出し,再建翼の平均MSEを56.33%削減し,CLの予測精度を維持しつつ,MDFにより予測されるCDのMSEをさらに35.37%削減できることが示唆された。
関連論文リスト
- FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
本稿ではFuncGenFoilについて紹介する。FuncGenFoilは機能翼測地を直接学習する関数空間生成モデルである。
AFBenchデータセットの実験的評価は、FuncGenFoilが翼の生成における最先端の手法を改善することを示した。
論文 参考訳(メタデータ) (2025-02-15T07:56:58Z) - Pullback Flow Matching on Data Manifolds [10.187244125099479]
プルバックフローマッチング(Pullback Flow Matching、PFM)は、データ多様体上の生成モデリングのためのフレームワークである。
PFMの有効性を、合成、データダイナミクス、タンパク質配列データに適用し、特定の性質を持つ新規なタンパク質を生成することによって実証する。
本手法は, 創薬・材料科学に強い可能性を示し, 特定の性質を持つ新規試料の生成に大きな関心を寄せている。
論文 参考訳(メタデータ) (2024-10-06T16:41:26Z) - Categorical Flow Matching on Statistical Manifolds [12.646272756981672]
本稿では,情報幾何学に着想を得たパラメータ化確率尺度の多様体上でのフローマッチングフレームワークを提案する。
我々は,多様体間の微分同相法により数値安定性を克服する効率的なトレーニングとサンプリングアルゴリズムを開発した。
我々は、SFMが、既存のモデルがしばしば失敗するような統計多様体上でより複雑なパターンを学習できることを示した。
論文 参考訳(メタデータ) (2024-05-26T05:50:39Z) - Learning with Geometry: Including Riemannian Geometric Features in Coefficient of Pressure Prediction on Aircraft Wings [4.559097917704049]
我々は翼を断片的に滑らかな多様体として表現し、翼の点上のリーマン幾何学的特徴の集合を計算する。
本手法は,圧力係数の平均2乗誤差(MSE)を平均150%低減する。
論文 参考訳(メタデータ) (2023-12-22T13:09:17Z) - The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。
楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文 参考訳(メタデータ) (2023-10-02T09:23:32Z) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳(メタデータ) (2023-05-30T13:58:50Z) - 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) - Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils [25.546237636065182]
攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
論文 参考訳(メタデータ) (2023-03-06T02:47:31Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2022-10-13T16:39:53Z) - Parametric Generative Schemes with Geometric Constraints for Encoding
and Synthesizing Airfoils [25.546237636065182]
特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。
ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。
制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
論文 参考訳(メタデータ) (2022-05-05T05:58:08Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。