Fugu-MT 論文翻訳(概要): Machine Learning to Predict Aerodynamic Stall

論文の概要: Machine Learning to Predict Aerodynamic Stall

arxiv url: http://arxiv.org/abs/2207.03424v1
Date: Thu, 7 Jul 2022 16:50:10 GMT
ステータス: 処理完了
システム内更新日: 2022-07-08 14:56:48.765625
Title: Machine Learning to Predict Aerodynamic Stall
Title（参考訳）: 空力ストール予測のための機械学習
Authors: Ettore Saetta, Renato Tognaccini and Gianluca Iaccarino
Abstract要約: 畳み込みオートエンコーダは、翼の空気力学シミュレーションのデータベースを用いて訓練される。目的は, 屋台を予測し, 翼圧力分布の線形応答と非線形応答を区別するオートエンコーダの能力を調べることである。
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: A convolutional autoencoder is trained using a database of airfoil aerodynamic simulations and assessed in terms of overall accuracy and interpretability. The goal is to predict the stall and to investigate the ability of the autoencoder to distinguish between the linear and non-linear response of the airfoil pressure distribution to changes in the angle of attack. After a sensitivity analysis on the learning infrastructure, we investigate the latent space identified by the autoencoder targeting extreme compression rates, i.e. very low-dimensional reconstructions. We also propose a strategy to use the decoder to generate new synthetic airfoil geometries and aerodynamic solutions by interpolation and extrapolation in the latent representation learned by the autoencoder.
Abstract（参考訳）: 翼空力シミュレーションのデータベースを用いて畳み込みオートエンコーダを訓練し、全体的な精度と解釈可能性の観点から評価する。本研究の目的は, 自動エンコーダが気翼圧力分布の線形応答と非線形応答と, 攻撃角度の変化を区別する能力について検討することである。学習インフラの感度解析の後,超低次元再構成を対象とするオートエンコーダによって同定された潜時空間について検討した。また,デコーダを用いて,オートエンコーダが学習した潜在表現の補間と外挿により,新しい合成翼ジオメトリと空力解を生成する方法を提案する。

関連論文リスト

Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文参考訳（メタデータ） (2024-09-20T07:41:47Z)
Optimal sensor placement for reconstructing wind pressure field around buildings using compressed sensing [3.3946853660795884]
本稿では,高層建築物上の風圧の空力特性を再構成するデータ駆動スパースセンサ選択アルゴリズムを提案する。提案手法は, 高層建築物の空力特性を疎測定位置から再現する。
論文参考訳（メタデータ） (2023-06-07T15:29:12Z)
A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics [0.5018156030818882]
本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
論文参考訳（メタデータ） (2023-05-28T09:46:18Z)
Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文参考訳（メタデータ） (2023-05-16T06:15:13Z)
Fundamental Limits of Two-layer Autoencoders, and Achieving Them with Gradient Methods [91.54785981649228]
本稿では,非線形二層型オートエンコーダについて述べる。本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
論文参考訳（メタデータ） (2022-12-27T12:37:34Z)
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)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文参考訳（メタデータ） (2021-09-24T19:07:19Z)
Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文参考訳（メタデータ） (2021-07-28T10:19:58Z)
Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization [9.432375767178284]
本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
論文参考訳（メタデータ） (2021-01-12T21:25:45Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。