論文の概要: Non-iterative generation of an optimal mesh for a blade passage using deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2209.05280v2
• Date: Tue, 9 May 2023 23:18:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 17:36:54.201950
• Title: Non-iterative generation of an optimal mesh 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最適メッシュの非イテレーティブ生成
• Authors: Innyoung Kim, Sejin Kim, and Donghyun You
• Abstract要約: メッシュパラメータは、任意のブレード形状を持つブレード通路のための構造化メッシュを生成する楕円メッシュジェネレータを訓練することにより最適化される。 提案手法の有効性とロバスト性は, 各種ブレード通路のメッシュ生成によって実証される。
• 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 method using deep reinforcement learning (DRL) to non-iteratively generate an optimal mesh for an arbitrary blade passage is developed. Despite automation in mesh generation using either an empirical approach or an optimization algorithm, repeated tuning of meshing parameters is still required for a new geometry. The method developed herein employs a DRL-based multi-condition optimization technique to define optimal meshing parameters as a function of the blade geometry, attaining automation, minimization of human intervention, and computational efficiency. The meshing parameters are optimized by training an elliptic mesh generator which generates a structured mesh for a blade passage with an arbitrary blade geometry. During each episode of the DRL process, the mesh generator is trained to produce an optimal mesh for a randomly selected blade passage by updating the meshing parameters until the mesh quality, as measured by the ratio of determinants of the Jacobian matrices and the skewness, reaches the highest level. Once the training is completed, the mesh generator create an optimal mesh for a new arbitrary blade passage in a single try without an repetitive process for the parameter tuning for mesh generation from the scratch. The effectiveness and robustness of the proposed method are demonstrated through the generation of meshes for various blade passages.
• Abstract（参考訳）: 任意のブレード通路に対する最適メッシュを非定常的に生成するための深部強化学習(DRL)法を開発した。 経験的アプローチか最適化アルゴリズムを使ったメッシュ生成の自動化にもかかわらず、新しい幾何学にはメッシュパラメータの繰り返しチューニングが必要である。 本稿では,drlを用いたマルチコンディション最適化手法を用いて,ブレード形状の関数として最適なメッシュパラメータを定義し,自動化,介入の最小化,計算効率を実現する。 メッシュパラメータは、任意のブレード形状を持つブレード通路のための構造化メッシュを生成する楕円メッシュジェネレータを訓練することにより最適化される。 drl工程の各エピソードにおいて、ジャコビアン行列の行列式と歪度との比で測定されるように、メッシュ品質までメッシュパラメータを更新することにより、ランダムに選択されたブレード通路の最適なメッシュを生成するようにメッシュ生成装置を訓練する。 トレーニングが完了すると、メッシュ生成器は、スクラッチからメッシュ生成のためのパラメータチューニングの繰り返しプロセスなしで、新たな任意のブレード通路のための最適なメッシュを1回の試行で作成する。 提案手法の有効性とロバスト性は, 各種ブレード通路のメッシュ生成によって実証される。

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。