論文の概要: A Fully-Automated Framework Integrating Gaussian Process Regression and
Bayesian Optimization to Design Pin-Fins
- arxiv url: http://arxiv.org/abs/2301.13118v1
- Date: Mon, 30 Jan 2023 17:52:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 13:38:59.489802
- Title: A Fully-Automated Framework Integrating Gaussian Process Regression and
Bayesian Optimization to Design Pin-Fins
- Title（参考訳）: ピンフィン設計のためのガウス過程回帰とベイズ最適化を統合する完全自動化フレームワーク
- Authors: Susheel Dharmadhikari, Reid A. Berdanier, Karen A. Thole, Amrita Basak
- Abstract要約: 本稿では,低圧力損失を実現するインラインピン設計のためのベイズ最適化手法を提案する。
ピンフィン形状は2次元の破片方向の立方体スプラインを用いて定義される。
流れ中の圧力降下を計算する計算流体力学に基づくモデルを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pin fins are imperative in the cooling of turbine blades. The designs of pin
fins, therefore, have seen significant research in the past. With the
developments in metal additive manufacturing, novel design approaches toward
complex geometries are now feasible. To that end, this article presents a
Bayesian optimization approach for designing inline pins that can achieve low
pressure loss. The pin-fin shape is defined using featurized (parametrized)
piecewise cubic splines in 2D. The complexity of the shape is dependent on the
number of splines used for the analysis. From a method development perspective,
the study is performed using three splines. Owing to this piece-wise modeling,
a unique pin fin design is defined using five features. After specifying the
design, a computational fluid dynamics-based model is developed that computes
the pressure drop during the flow. Bayesian optimization is carried out on a
Gaussian processes-based surrogate to obtain an optimal combination of pin-fin
features to minimize the pressure drop. The results show that the optimization
tends to approach an aerodynamic design leading to low pressure drop
corroborating with the existing knowledge. Furthermore, multiple iterations of
optimizations are conducted with varying degree of input data. The results
reveal that a convergence to similar optimal design is achieved with a minimum
of just twenty five initial design-of-experiments data points for the
surrogate. Sensitivity analysis shows that the distance between the rows of the
pin fins is the most dominant feature influencing the pressure drop. In
summary, the newly developed automated framework demonstrates remarkable
capabilities in designing pin fins with superior performance characteristics.
- Abstract（参考訳）: ピンフィンはタービンブレードの冷却に必須である。
そのため、ピンフィンの設計は過去にも大きな研究がなされてきた。
金属添加物製造の発展に伴い、複雑なジオメトリへの新しい設計アプローチが実現可能になった。
そこで本稿では,低圧力損失を実現するインラインピン設計のためのベイズ最適化手法を提案する。
ピンフィン形状は、2次元の有限(パラメトリズド)断面立方体スプラインを用いて定義される。
形状の複雑さは解析に使用されるスプラインの数に依存する。
方法開発の観点から、3つのスプラインを用いて研究を行う。
この部分モデリングにより、5つの特徴を用いてユニークなピンフィン設計が定義される。
設計の特定後,流れ中の圧力降下を計算する計算流体力学に基づくモデルを開発した。
ガウス過程に基づくサロゲート上でベイズ最適化を行い、圧力降下を最小限に抑えるピンフィン特徴の最適組合せを得る。
その結果, 従来の知識と相関する低圧力降下につながる空力設計にアプローチする傾向が示唆された。
さらに、様々な入力データを用いて最適化の繰り返しを行う。
その結果、同様の最適設計への収束は、サーロゲートの初期設計データポイントを最低25個で達成できることが判明した。
感度分析により、ピンフィンの列間の距離が圧力低下に最も影響する特徴であることが示されている。
まとめると、新しく開発された自動化フレームワークは、優れたパフォーマンス特性を持つピンフィンの設計において顕著な能力を示している。
関連論文リスト
- Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳（メタデータ） (2024-05-27T00:11:53Z) - Multi-Objective Hull Form Optimization with CAD Engine-based Deep
Learning Physics for 3D Flow Prediction [0.0]
本稿では,(1)最も有望な基本船体形状を検出する感度解析,(2)最適船体形状間のトレードオフを定量化するための多目的最適化の2つの応用法を提案する。
これらの結果は、ExtralityのDeep Learning Physics(DLP)モデルをCADエンジンと評価器に結合することで達成した。
論文 参考訳（メタデータ） (2023-06-22T14:30:41Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - Deep neural operators can serve as accurate surrogates for shape
optimization: A case study for airfoils [3.2996060586026354]
本研究では, 形状最適化を目的とし, 未確認翼まわりの流れ場を推定するためにDeepONetsを用いることを検討した。
本稿では,オンライン最適化コストを桁違いに削減しつつ,予測精度の劣化が少ない結果を示す。
論文 参考訳（メタデータ） (2023-02-02T00:19:09Z) - Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。
本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
論文 参考訳（メタデータ） (2022-08-16T00:45:39Z) - Development of a deep learning platform for optimising sheet stamping
geometries subject to manufacturing constraints [3.264571107058741]
板の切削工程により、重量比に対して剛性が高い複雑な形状の構造部品を効率的に製造できる。
本稿では,3次元要素幾何学を最適化する新しいディープラーニングプラットフォームを提案する。
論文 参考訳（メタデータ） (2022-02-04T22:29:12Z) - Data-driven model for hydraulic fracturing design optimization. Part II:
Inverse problem [8.236041509802913]
多段フラクチャーを完了した油井の累積流体生産予測モデルについて述べる。
このモデルは、貯留層、井戸およびフラクチャリング設計パラメータの拡張されたデジタルフィールドデータベースに基づいて開発されている。
論文 参考訳（メタデータ） (2021-08-02T09:55:21Z) - Online Preconditioning of Experimental Inkjet Hardware by Bayesian
Optimization in Loop [62.997667081978825]
インクジェットプリンタから堆積した液滴構造を最適化するためのコンピュータビジョン駆動ベイズ最適化フレームワークを開発する。
フレームワークを用いて,最適インクジェットハードウェア条件の収束を10分で示す。
論文 参考訳（メタデータ） (2021-05-06T17:46:16Z) - Self-Tuning Stochastic Optimization with Curvature-Aware Gradient
Filtering [53.523517926927894]
サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。
モデルに基づく手続きが雑音勾配設定に収束することを証明する。
これは自己チューニング二次体を構築するための興味深いステップである。
論文 参考訳（メタデータ） (2020-11-09T22:07:30Z) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z) - End-to-End Facial Deep Learning Feature Compression with Teacher-Student
Enhancement [57.18801093608717]
本稿では,ディープニューラルネットワークの表現と学習能力を活用することで,エンドツーエンドの特徴圧縮手法を提案する。
特に、抽出した特徴量を、レート歪みコストを最適化することにより、エンドツーエンドでコンパクトに符号化する。
提案モデルの有効性を顔の特徴で検証し, 圧縮性能を高いレート精度で評価した。
論文 参考訳（メタデータ） (2020-02-10T10:08:44Z)
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。