論文の概要: Constrained Bayesian Optimization for Automatic Underwater Vehicle Hull Design

• arxiv url: http://arxiv.org/abs/2302.14732v1
• Date: Tue, 28 Feb 2023 16:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 15:30:18.196515
• Title: Constrained Bayesian Optimization for Automatic Underwater Vehicle Hull Design
• Title（参考訳）: 自動水中車両ハル設計のための制約ベイズ最適化
• Authors: Harsh Vardhan, Peter Volgyesi, Janos Sztipanovits
• Abstract要約: 本稿では,水中船体設計の最適化について紹介する。 我々は,時間を要する高価なエンジニアリングシミュレーションを最適化するために開発されたよく知られた手法であるベイズ最適化(BO)の手法を用いる。 ドメイン固有のツールチェーンとAIベースの最適化を統合することで、水中車体設計の自動設計最適化を実行しました。
• 参考スコア（独自算出の注目度）: 0.6767885381740952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic underwater vehicle hull Design optimization is a complex engineering process for generating a UUV hull with optimized properties on a given requirement. First, it involves the integration of involved computationally complex engineering simulation tools. Second, it needs integration of a sample efficient optimization framework with the integrated toolchain. To this end, we integrated the CAD tool called FreeCAD with CFD tool openFoam for automatic design evaluation. For optimization, we chose Bayesian optimization (BO), which is a well-known technique developed for optimizing time-consuming expensive engineering simulations and has proven to be very sample efficient in a variety of problems, including hyper-parameter tuning and experimental design. During the optimization process, we can handle infeasible design as constraints integrated into the optimization process. By integrating domain-specific toolchain with AI-based optimization, we executed the automatic design optimization of underwater vehicle hull design. For empirical evaluation, we took two different use cases of real-world underwater vehicle design to validate the execution of our tool.
• Abstract（参考訳）: 自動水中船体設計最適化は、与えられた要求に応じて最適化された特性を持つUUV船体を生成する複雑なエンジニアリングプロセスである。 第一に、関連する計算的複雑なエンジニアリングシミュレーションツールの統合です。 第2に、サンプル効率的な最適化フレームワークと統合ツールチェーンの統合が必要です。 そこで我々はFreeCADと呼ばれるCADツールとCFDツールopenFoamを統合し,自動設計評価を行った。 最適化のためにベイズ最適化(bayesian optimization, bo)を選択した。これは、時間を要する高価なエンジニアリングシミュレーションを最適化するために開発されたよく知られた手法であり、ハイパーパラメータチューニングや実験設計など、様々な問題において非常にサンプル効率が高いことが証明されている。 最適化プロセスの間、最適化プロセスに統合された制約として実現不可能な設計を扱うことができる。 ドメイン固有ツールチェーンとaiに基づく最適化を統合することで,水中車体設計の自動設計最適化を行った。 実験的な評価のために,実世界の水中車両設計の2つの異なるユースケースを用いてツールの実行を検証した。

関連論文リスト

• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• ECoDe: A Sample-Efficient Method for Co-Design of Robotic Agents [11.449817465618658]
  自律ロボットエージェントを共同設計するには、エージェントのコントローラと物理的設計を同時に最適化する必要がある。 デザインスペースが大きくなると、これは難しくなります。 共設計のサンプル効率を向上させるための多要素探索手法を提案する。
  論文  参考訳（メタデータ） (2023-09-08T02:54:31Z)
• 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)
• Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
  本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。 また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。 本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
  論文  参考訳（メタデータ） (2023-04-24T19:52:42Z)
• Optimization of the Shape of a Hydrokinetic Turbine's Draft Tube and Hub Assembly Using Design-by-Morphing with Bayesian Optimization [0.0]
  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。
  論文  参考訳（メタデータ） (2022-07-23T07:39:27Z)
• 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)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• 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)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
  ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。 我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-11T06:50:35Z)

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。