論文の概要: Optimization of the Shape of a Hydrokinetic Turbine's Draft Tube and Hub
Assembly Using Design-by-Morphing with Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2207.11451v1
- Date: Sat, 23 Jul 2022 07:39:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 16:08:55.441894
- Title: Optimization of the Shape of a Hydrokinetic Turbine's Draft Tube and Hub
Assembly Using Design-by-Morphing with Bayesian Optimization
- Title（参考訳）: ベイズ最適化による設計バイモーフィングによる水力タービンドラフトチューブとハブアセンブリの形状最適化
- Authors: Haris Moazam Sheikh, Tess A. Callan, Kealan J. Hennessy and Philip S.
Marcus
- Abstract要約: 流体力学や空力面の最適設計を見つけることは、コスト関数を評価するコストがかかるため、しばしば不可能である。
デザイン・バイ・モーフィング(DbM)と呼ばれるモーフィングを用いてデザイン空間を作成する手法を提案する。
本研究では,水力タービンの出力を最大化するために,この形状最適化手法を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding the optimal design of a hydrodynamic or aerodynamic surface is often
impossible due to the expense of evaluating the cost functions (say, with
computational fluid dynamics) needed to determine the performances of the flows
that the surface controls. In addition, inherent limitations of the design
space itself due to imposed geometric constraints, conventional
parameterization methods, and user bias can restrict {\it all} of the designs
within a chosen design space regardless of whether traditional optimization
methods or newer, data-driven design algorithms with machine learning are used
to search the design space. We present a 2-pronged attack to address these
difficulties: we propose (1) a methodology to create the design space using
morphing that we call {\it Design-by-Morphing} (DbM); and (2) an optimization
algorithm to search that space that uses a novel Bayesian Optimization (BO)
strategy that we call {\it Mixed variable, Multi-Objective Bayesian
Optimization} (MixMOBO). We apply this shape optimization strategy to maximize
the power output of a hydrokinetic turbine. Applying these two strategies in
tandem, we demonstrate that we can create a novel, geometrically-unconstrained,
design space of a draft tube and hub shape and then optimize them
simultaneously with a {\it minimum} number of cost function calls. Our
framework is versatile and can be applied to the shape optimization of a
variety of fluid problems.
- Abstract（参考訳）: 流体力学や空気力学的表面の最適設計を見つけることは、表面が制御する流れの性能を決定するのに必要なコスト関数(例えば計算流体力学)を評価する費用がかかるため、しばしば不可能である。
さらに、従来の最適化手法や、機械学習を用いた新しいデータ駆動設計アルゴリズムがデザイン空間の探索に使用されるかどうかに関わらず、設計空間自体固有の制約、従来のパラメータ化手法、およびユーザバイアスにより、選択された設計空間内の設計を制限することができる。
そこで我々は,(1)モーフィング(DbM)と呼ばれるモーフィングを用いて設計空間を作成する手法を提案し,(2)新しいベイズ最適化(BO)戦略を用いて,MixMOBO(Mix Mixed variable, Multi-Objective Bayesian Optimization})と呼ぶ空間を探索する最適化アルゴリズムを提案する。
この形状最適化戦略を水力タービンの出力を最大化するために適用する。
これら2つの戦略をタンデムで適用することにより,新規で幾何学的制約のないドラフトチューブとハブ形状の設計空間を作成し,それらをコスト関数呼び出しの最小値と同時最適化できることを実証する。
我々のフレームワークは汎用性があり,様々な流体問題の形状最適化に適用できる。
関連論文リスト
- 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) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Photonic Structures Optimization Using Highly Data-Efficient Deep
Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。
本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。
本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
論文 参考訳（メタデータ） (2023-09-05T07:19:14Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。
SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。
本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
論文 参考訳（メタデータ） (2023-03-17T03:47:10Z) - 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) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Speeding up Computational Morphogenesis with Online Neural Synthetic
Gradients [51.42959998304931]
現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。
これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。
オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-25T22:43:51Z) - Airfoil Design Parameterization and Optimization using B\'ezier
Generative Adversarial Networks [9.589376389671099]
既存のデータベースの形状変化から学習することで空力設計をパラメータ化するための深層生成モデルB'ezier-GANを提案する。
その結果、B'ezier-GAN は、(1) 幅広い翼の滑らかで現実的な形状表現を学習し、(2) 最先端パラメータ化法と比較して、少なくとも2倍の最適化収束を経験的に加速することがわかった。
論文 参考訳（メタデータ） (2020-06-21T05:28:08Z)
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。