論文の概要: XVoxel-Based Parametric Design Optimization of Feature Models
- arxiv url: http://arxiv.org/abs/2303.15316v1
- Date: Fri, 17 Mar 2023 13:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 16:19:21.335218
- Title: XVoxel-Based Parametric Design Optimization of Feature Models
- Title(参考訳): XVoxelによる特徴モデルのパラメトリック設計最適化
- Authors: Ming Li, Chengfeng Lin, Wei Chen, Yusheng Liu, Shuming Gao, Qiang Zou
- Abstract要約: 本稿では,XVoxelsと呼ばれる統一モデル表現スキームに基づくパラメトリック最適化手法を提案する。
提案手法は, その有効性を示すために, 複雑さの増大に関する一連のケーススタディにより検証された。
- 参考スコア(独自算出の注目度): 11.32057097341898
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parametric optimization is an important product design technique, especially
in the context of the modern parametric feature-based CAD paradigm. Realizing
its full potential, however, requires a closed loop between CAD and CAE (i.e.,
CAD/CAE integration) with automatic design modifications and simulation
updates. Conventionally the approach of model conversion is often employed to
form the loop, but this way of working is hard to automate and requires manual
inputs. As a result, the overall optimization process is too laborious to be
acceptable. To address this issue, a new method for parametric optimization is
introduced in this paper, based on a unified model representation scheme called
eXtended Voxels (XVoxels). This scheme hybridizes feature models and voxel
models into a new concept of semantic voxels, where the voxel part is
responsible for FEM solving, and the semantic part is responsible for
high-level information to capture both design and simulation intents. As such,
it can establish a direct mapping between design models and analysis models,
which in turn enables automatic updates on simulation results for design
modifications, and vice versa -- effectively a closed loop between CAD and CAE.
In addition, robust and efficient geometric algorithms for manipulating XVoxel
models and efficient numerical methods (based on the recent finite cell method)
for simulating XVoxel models are provided. The presented method has been
validated by a series of case studies of increasing complexity to demonstrate
its effectiveness. In particular, a computational efficiency improvement of up
to 55.8 times the existing FCM method has been seen.
- Abstract(参考訳): パラメトリック最適化は、特に現代のパラメトリック機能に基づくcadパラダイムの文脈において、重要な製品設計技術である。
しかし、その完全な可能性を実現するにはCADとCAE(CAD/CAE統合)の間に閉じたループが必要であり、自動的な設計変更とシミュレーションの更新が必要である。
従来、モデル変換のアプローチはループを形成するためによく用いられるが、この働き方は自動化が難しく、手動入力を必要とする。
結果として、全体的な最適化プロセスは、受け入れられるには努力がかかりすぎます。
本稿では,拡張ボクセル(xvoxels)と呼ばれる統一モデル表現スキームに基づいて,パラメトリック最適化の新しい手法を提案する。
このスキームは、特徴モデルとボクセルモデルを新しいセマンティックボクセルの概念にハイブリダイズし、そこではボクセル部がFEM解決に責任を持ち、セマンティック部が設計意図とシミュレーション意図の両方をキャプチャする高レベル情報に責任を持つ。
このように、設計モデルと分析モデルの直接的なマッピングを確立し、設計変更のシミュレーション結果の自動更新を可能にします。
さらに、XVoxelモデルを操作するための堅牢で効率的な幾何アルゴリズムと、XVoxelモデルをシミュレーションするための効率的な数値法(最近の有限セル法に基づく)を提供する。
提案手法は, その有効性を示すために, 複雑化に関する一連の事例研究によって検証された。
特に、既存のFCM法の最大55.8倍の計算効率の改善が見られた。
関連論文リスト
- 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) - Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。
現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。
本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
論文 参考訳(メタデータ) (2025-01-16T13:17:24Z) - Fuzzy Model Identification and Self Learning with Smooth Compositions [1.9573380763700716]
本稿では,動的システムのためのスムーズなモデル同定と自己学習戦略を開発する。
我々は,モデルが連続的かつ滑らかな表面上のシステムの変化と変化に従うように,この問題を解決しようと試みてきた。
論文 参考訳(メタデータ) (2024-12-31T20:19:02Z) - STAR: Synthesis of Tailored Architectures [61.080157488857516]
本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。
提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。
STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
論文 参考訳(メタデータ) (2024-11-26T18:42:42Z) - Recent advances in Meta-model of Optimal Prognosis [0.0]
仮想プロトタイピングプロセス内の実例では、物理モデルの複雑さを減らすことは必ずしも不可能である。
本稿では,実際の問題に対して最適なメタモデルを選択するための自動アプローチを提案する。
論文 参考訳(メタデータ) (2024-08-23T08:54:10Z) - Sensitivity analysis using the Metamodel of Optimal Prognosis [0.0]
仮想プロトタイピングプロセス内の実例では、物理モデルの複雑さを減らすことは必ずしも不可能である。
本稿では,実際の問題に対して最適なメタモデルを選択するための自動アプローチを提案する。
論文 参考訳(メタデータ) (2024-08-07T07:09:06Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Low-dimensional Data-based Surrogate Model of a Continuum-mechanical
Musculoskeletal System Based on Non-intrusive Model Order Reduction [0.0]
データ駆動型モデルオーダーリダクションを用いた代理モデルのような従来の手法は、高忠実度モデルをより広く利用するために用いられる。
ヒト上腕部の複素有限要素モデルに対する代理モデル手法の利点を実証する。
論文 参考訳(メタデータ) (2023-02-13T17:14:34Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z)
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。