論文の概要: Deep neural operators can serve as accurate surrogates for shape
optimization: A case study for airfoils
- arxiv url: http://arxiv.org/abs/2302.00807v1
- Date: Thu, 2 Feb 2023 00:19:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 15:50:03.296394
- Title: Deep neural operators can serve as accurate surrogates for shape
optimization: A case study for airfoils
- Title(参考訳): 深部神経オペレーターは形状最適化のための正確なサロゲートとして機能する:翼のケーススタディ
- Authors: Khemraj Shukla, Vivek Oommen, Ahmad Peyvan, Michael Penwarden, Luis
Bravo, Anindya Ghoshal, Robert M. Kirby and George Em Karniadakis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.2996060586026354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural operators, such as DeepONets, have changed the paradigm in
high-dimensional nonlinear regression from function regression to
(differential) operator regression, paving the way for significant changes in
computational engineering applications. Here, we investigate the use of
DeepONets to infer flow fields around unseen airfoils with the aim of shape
optimization, an important design problem in aerodynamics that typically taxes
computational resources heavily. We present results which display little to no
degradation in prediction accuracy, while reducing the online optimization cost
by orders of magnitude. We consider NACA airfoils as a test case for our
proposed approach, as their shape can be easily defined by the four-digit
parametrization. We successfully optimize the constrained NACA four-digit
problem with respect to maximizing the lift-to-drag ratio and validate all
results by comparing them to a high-order CFD solver. We find that DeepONets
have low generalization error, making them ideal for generating solutions of
unseen shapes. Specifically, pressure, density, and velocity fields are
accurately inferred at a fraction of a second, hence enabling the use of
general objective functions beyond the maximization of the lift-to-drag ratio
considered in the current work.
- Abstract(参考訳): DeepONetsのようなディープ・ニューラル作用素は、高次元非線形回帰のパラダイムを関数回帰から(微分)演算子の回帰に変化させ、計算工学の応用に大きな変化をもたらす。
本稿では, 空力力学における重要な設計問題である形状最適化を目的とし, 翼翼まわりの流れ場推定にdeeponetsを用いた場合について検討する。
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,予測精度の低下がほとんどない結果を示す。
NACA翼の形状は4桁のパラメトリゼーションにより容易に定義できるため,提案手法の試験ケースとして検討する。
本研究では,NACAの4桁の制約問題を最大化するために最適化し,高次CFDソルバと比較して全結果の検証を行った。
ディープネッツは一般化誤差が低く、目に見えない形状の解を生成するのに理想的である。
具体的には、圧力、密度、速度場を1秒で正確に推定することにより、現在の作業で考慮されるリフト・アンド・ドラッグ比の最大化を超える汎用関数の使用を可能にする。
関連論文リスト
- Gradient-free neural topology optimization [0.0]
勾配のないアルゴリズムは勾配に基づくアルゴリズムと比較して多くの繰り返しを収束させる必要がある。
これにより、反復1回あたりの計算コストとこれらの問題の高次元性のため、トポロジ最適化では実現不可能となった。
我々は,潜時空間における設計を最適化する場合に,少なくとも1桁の繰り返し回数の減少につながる事前学習型ニューラルリパラメータ化戦略を提案する。
論文 参考訳(メタデータ) (2024-03-07T23:00:49Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳(メタデータ) (2023-09-17T08:35:11Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。
本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
論文 参考訳(メタデータ) (2022-09-06T18:55:06Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳(メタデータ) (2022-04-18T17:53:44Z) - DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
形状最適化に適した不確実性に基づく新しい手法を提案する。
効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
論文 参考訳(メタデータ) (2021-09-28T11:01:42Z) - Non-Gradient Manifold Neural Network [79.44066256794187]
ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。
非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-15T06:39:13Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳(メタデータ) (2021-03-05T09:48:57Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-15T15:09:21Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳(メタデータ) (2020-06-10T08:22:41Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。