論文の概要: Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils
- arxiv url: http://arxiv.org/abs/2303.02844v1
- Date: Mon, 6 Mar 2023 02:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 17:30:19.971741
- Title: Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils
- Title（参考訳）: 翼の昇降係数予測のための知識埋め込みメタラーニングモデル
- Authors: Hairun Xie, Jing Wang, Miao Zhang
- Abstract要約: 攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
- 参考スコア（独自算出の注目度）: 25.546237636065182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aerodynamic performance evaluation is an important part of the aircraft
aerodynamic design optimization process; however, traditional methods are
costly and time-consuming. Despite the fact that various machine learning
methods can achieve high accuracy, their application in engineering is still
difficult due to their poor generalization performance and "black box" nature.
In this paper, a knowledge-embedded meta learning model, which fully integrates
data with the theoretical knowledge of the lift curve, is developed to obtain
the lift coefficients of an arbitrary supercritical airfoil under various angle
of attacks. In the proposed model, a primary network is responsible for
representing the relationship between the lift and angle of attack, while the
geometry information is encoded into a hyper network to predict the unknown
parameters involved in the primary network. Specifically, three models with
different architectures are trained to provide various interpretations.
Compared to the ordinary neural network, our proposed model can exhibit better
generalization capability with competitive prediction accuracy. Afterward,
interpretable analysis is performed based on the Integrated Gradients and
Saliency methods. Results show that the proposed model can tend to assess the
influence of airfoil geometry to the physical characteristics. Furthermore, the
exceptions and shortcomings caused by the proposed model are analysed and
discussed in detail.
- Abstract（参考訳）: 空力性能評価は航空機の空力設計最適化の重要な部分であるが、従来の手法はコストと時間を要する。
さまざまな機械学習手法が高い精度を達成できるという事実にもかかわらず、その一般化性能の低さと"ブラックボックス"の性質から、エンジニアリングへの応用は依然として困難である。
本稿では,データとリフト曲線の理論知識を十分に統合した知識埋め込みメタ学習モデルを開発し,任意の超臨界翼のリフト係数を攻撃角度に応じて求める。
提案モデルでは,プライマリネットワークがリフトと攻撃角度の関係を表現し,ジオメトリ情報がハイパーネットワークに符号化され,プライマリネットワークに関わる未知のパラメータを予測する。
具体的には、異なるアーキテクチャを持つ3つのモデルは、さまざまな解釈を提供するように訓練される。
通常のニューラルネットワークと比較すると,提案手法は高い一般化能力と競合予測精度を示すことができる。
その後、統合グラディエント法とサリエンシ法に基づいて解釈可能な解析を行う。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価できることがわかった。
さらに,提案モデルによって引き起こされる例外と欠点を詳細に分析し,考察した。
関連論文リスト
- Decomposing weather forecasting into advection and convection with neural networks [6.78786601630176]
本稿では,動的コアの水平移動と物理パラメータ化の垂直移動を別々に学習する,シンプルで効果的な機械学習モデルを提案する。
我々のモデルは、大気モデルにおける変数の遷移をシミュレートするための、新しく効率的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-10T16:46:32Z) - Interpretable Machine Learning for Weather and Climate Prediction: A Survey [24.028385794099435]
気象予測に適用された現在の解釈可能な機械学習手法について概説する。
ツリーアンサンブルや説明可能なニューラルネットワークといったアーキテクチャを使って、スクラッチから本質的に解釈可能なモデルを設計する。
物理原理に沿ったより深い機械的解釈を達成するための研究課題について論じる。
論文 参考訳（メタデータ） (2024-03-24T14:23:35Z) - Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文 参考訳（メタデータ） (2024-01-16T14:58:21Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳（メタデータ） (2022-12-03T07:52:48Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z)
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。