論文の概要: Optimal mesh generation for a blade passage using deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2209.05280v1
• Date: Thu, 8 Sep 2022 03:13:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 14:13:05.282017
• Title: Optimal mesh generation for a blade passage using deep reinforcement learning
• Title（参考訳）: 深層強化学習を用いたブレード通路の最適メッシュ生成
• Authors: Innyoung Kim, Sejin Kim, and Donghyun You
• Abstract要約: DRLに基づくマルチコンディション(MC)最適化を用いて,様々な測地に対するメッシュパラメータを最適に定義する。 その結果, 種々のブレードの単一試行において, 最適メッシュの生成に成功した。
• 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 mesh generation method that can generate an optimal mesh for a blade passage at a single attempt is developed using deep reinforcement learning (DRL). Unlike the conventional methods, where meshing parameters must be specified by the user or iteratively optimized from scratch for a newly given geometry, the developed method employs DRL-based multi-condition (MC) optimization to define meshing parameters for various geometries optimally. The method involves the following steps: (1) development of a base algorithm for structured mesh generation of a blade passage; (2) formulation of an MC optimization problem to optimize meshing parameters introduced while developing the base algorithm; and (3) development of a DRL-based mesh generation algorithm by solving the MC optimization problem using DRL. As a result, the developed algorithm is able to successfully generate optimal meshes at a single trial for various blades.
• Abstract（参考訳）: 深部強化学習(DRL)を用いて1回の試行でブレード通路の最適メッシュを生成するメッシュ生成法を開発した。 メッシュパラメータをユーザによって指定したり,新たに与えられた幾何学をスクラッチから反復的に最適化する従来の手法とは異なり,本手法では,様々なジオメトリのメッシュパラメータを最適に定義するために,drl型マルチコンディション(mc)最適化を採用している。 本手法は,(1)ブレードパスの構造的メッシュ生成のための基本アルゴリズムの開発,(2)基本アルゴリズムの開発中に導入されたメッシュパラメータを最適化するMC最適化問題の定式化,(3)DRLを用いたMC最適化問題の解法によるDRLに基づくメッシュ生成アルゴリズムの開発を含む。 その結果, 様々なブレードに対して, 最適メッシュを単一試行で生成することが可能となった。

関連論文リスト

• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• 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)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• projUNN: efficient method for training deep networks with unitary matrices [21.11571804661279]
  トレーニング実行時のスケーリングを$O(kN2)$とすることで、フル$N$次元のユニタリあるいは行列をパラメータ化できる方法の2つの変種を導入する。 最も高速な設定であっても、ProjUNNはモデルのユニタリパラメータをトレーニングして、ベースライン実装に対して同等のパフォーマンスに達することができる。
  論文  参考訳（メタデータ） (2022-03-10T17:04:41Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• Progressive Encoding for Neural Optimization [92.55503085245304]
  メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。 最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
  論文  参考訳（メタデータ） (2021-04-19T08:22:55Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• MeshingNet: A New Mesh Generation Method based on Deep Learning [4.230005855201131]
  本稿では,機械学習を用いた非構造メッシュの自動生成手法を提案する。 私たちが開発したフレームワークは、標準メッシュ生成ソフトウェアをガイドする人工知能ニューラルネットワーク(ANN)のトレーニングに基づいています。
  論文  参考訳（メタデータ） (2020-04-15T11:29:00Z)

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。