論文の概要: Hall effect thruster design via deep neural network for additive manufacturing

• arxiv url: http://arxiv.org/abs/2303.08227v1
• Date: Tue, 14 Mar 2023 20:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-03-16 18:36:29.598267
• Title: Hall effect thruster design via deep neural network for additive manufacturing
• Title（参考訳）: 深層ニューラルネットワークによる添加物製造用ホール効果スラスタの設計
• Authors: Konstantin Korolev
• Abstract要約: ホールエフェクトスラスタの衝撃性能において, 放電流路の正径化が著しく大きいことが理解された。 ほとんどのスラスタは、いわゆるスケーリング法則を使って設計されている。 この研究は、文学における通常のスケーリング設計アプローチよりも少ない頻度で概説される、かなり斬新なアプローチに焦点を当てている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hall effect thrusters are one of the most versatile and popular electric propulsion systems for space use. Industry trends towards interplanetary missions arise advances in design development of such propulsion systems. It is understood that correct sizing of discharge channel in Hall effect thruster impact performance greatly. Since the complete physics model of such propulsion system is not yet optimized for fast computations and design iterations, most thrusters are being designed using so-called scaling laws. But this work focuses on rather novel approach, which is outlined less frequently than ordinary scaling design approach in literature. Using deep machine learning it is possible to create predictive performance model, which can be used to effortlessly get design of required hall thruster with required characteristics using way less computational power than design from scratch and way more flexible than usual scaling approach.
• Abstract（参考訳）: ホールエフェクト・スラスタは宇宙用の最も汎用的で一般的な電気推進システムの一つである。 惑星間ミッションへの産業動向は、このような推進システムの設計開発において進展する。 ホール効果スラスタの衝突性能は,放電流路の正確なサイズが大きいことが判明した。 このような推進システムの完全な物理モデルはまだ高速計算や設計イテレーションに最適化されていないため、ほとんどのスラスタはいわゆるスケーリング則を用いて設計されている。 しかし、この研究は、文学における通常のスケーリング設計アプローチよりも少ない頻度で概説される、かなり新しいアプローチに焦点を当てている。 ディープラーニングを使用することで、必要な特性を備えた必要なホールスラスタの設計を、スクラッチから設計するよりも計算能力が少なく、従来のスケーリングアプローチよりも柔軟に行うことができる。

関連論文リスト

• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
  我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。 その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
  論文  参考訳（メタデータ） (2024-09-24T14:58:27Z)
• An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study [0.0]
  本稿では,複数の入力関数を持つ複雑なシステムに適した物理インフォームドDeepONetを提案する。 提案モデルでは,高精度な高次元設計空間を処理し,バニラ物理インフォームドDeepONetを2桁の精度で上回っている。
  論文  参考訳（メタデータ） (2024-06-20T20:19:30Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• MSTFormer: Motion Inspired Spatial-temporal Transformer with Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
  MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。 軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。 第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。 第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
  論文  参考訳（メタデータ） (2023-03-21T02:11:37Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• GANDSE: Generative Adversarial Network based Design Space Exploration for Neural Network Accelerator Design [27.290616313982323]
  GANDSEというニューラルネットワークアクセラレータ設計自動化フレームワークを提案する。 GANDSEは、多層パーセプトロンや深層強化学習といったアプローチと比較して、より最適化された設計を無視できる時間で見つけることができる。
  論文  参考訳（メタデータ） (2022-08-01T12:32:46Z)
• 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)
• Sparseloop: An Analytical Approach To Sparse Tensor Accelerator Modeling [10.610523739702971]
  本稿ではまず,多種多様なテンソル型加速器の設計空間を体系的に記述する統合分類法を提案する。 提案された分類に基づいて、最初の高速で正確で柔軟な分析モデリングフレームワークであるSparseloopを導入した。 Sparseloopは、さまざまなデータフローやスパースアクセラレーション機能を含む、大規模なアーキテクチャ仕様を理解している。
  論文  参考訳（メタデータ） (2022-05-12T01:28:03Z)
• Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
  我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。 この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。 ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:03:57Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)

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。