論文の概要: Graph Neural Networks for Airfoil Design
- arxiv url: http://arxiv.org/abs/2305.05469v1
- Date: Tue, 9 May 2023 14:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 19:34:04.227121
- Title: Graph Neural Networks for Airfoil Design
- Title（参考訳）: 翼設計のためのグラフニューラルネットワーク
- Authors: Florent Bonnet
- Abstract要約: 本研究では,異なる翼上での2次元定常なナビエ・ストークス方程式の解を近似する作業に,既知のアーキテクチャを適応させることを提案する。
この研究は、産業測地上の3次元定常解を近似することを目的とした、より長いプロジェクトで行われる。
- 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: The study of partial differential equations (PDE) through the framework of
deep learning emerged a few years ago leading to the impressive approximations
of simple dynamics. Graph neural networks (GNN) turned out to be very useful in
those tasks by allowing the treatment of unstructured data often encountered in
the field of numerical resolutions of PDE. However, the resolutions of harder
PDE such as Navier-Stokes equations are still a challenging task and most of
the work done on the latter concentrate either on simulating the flow around
simple geometries or on qualitative results that looks physical for design
purpose. In this study, we try to leverage the work done on deep learning for
PDE and GNN by proposing an adaptation of a known architecture in order to
tackle the task of approximating the solution of the two-dimensional
steady-state incompressible Navier-Stokes equations over different airfoil
geometries. In addition to that, we test our model not only on its performance
over the volume but also on its performance to approximate surface quantities
such as the wall shear stress or the isostatic pressure leading to the
inference of global coefficients such as the lift and the drag of our airfoil
in order to allow design exploration. This work takes place in a longer project
that aims to approximate three dimensional steady-state solutions over
industrial geometries.
- Abstract（参考訳）: 深層学習の枠組みを通じて偏微分方程式(pde)の研究が数年前に現れ、単純な力学の印象的な近似が導かれた。
グラフニューラルネットワーク(GNN)は、PDEの数値解法の分野でしばしば発生する非構造化データの処理を可能にすることで、これらのタスクにおいて非常に有用であることが判明した。
しかし、navier-stokes方程式のようなより難しいpdeの解法はまだ難しい課題であり、後者でなされたほとんどの仕事は単純な幾何学のまわりの流れをシミュレートするか、設計目的のために物理的に見える定性的な結果に集中している。
本研究では,PDE と GNN の深層学習における取り組みを,二次元定常圧縮不可能なナビエ・ストークス方程式の解を異なる翼面空間上で近似するために,既知のアーキテクチャの適応を提案して活用しようとする。
さらに,その性能だけでなく,壁せん断応力や等方性圧力などの表面量に近似して,揚力や翼の抗力などの大域的係数を推定し,設計上の探索を可能にした。
この研究は、工業用ジオメトリ上の3次元定常解を近似することを目的とした、より長いプロジェクトで行われる。
関連論文リスト
- DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳（メタデータ） (2023-11-30T22:34:57Z) - Physics-Informed Graph Convolutional Networks: Towards a generalized
framework for complex geometries [0.0]
偏微分方程式の解法としてグラフニューラルネットワークを用いることを正当化する。
古典的数値解法と物理インフォームド・フレームワークを組み合わせることで、別の手法を提案する。
本稿では,不規則な幾何学上の3次元問題に対して検証を行う手法を提案する。
論文 参考訳（メタデータ） (2023-10-20T09:46:12Z) - Efficient Neural PDE-Solvers using Quantization Aware Training [71.0934372968972]
量子化は、性能を維持しながら推論の計算コストを下げることができることを示す。
4つの標準PDEデータセットと3つのネットワークアーキテクチャの結果、量子化対応のトレーニングは、設定と3桁のFLOPで機能することがわかった。
論文 参考訳（メタデータ） (2023-08-14T09:21:19Z) - INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes
Equations [13.242926257057084]
INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。
本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。
我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
論文 参考訳（メタデータ） (2023-07-25T14:35:55Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z) - Physics-constrained Unsupervised Learning of Partial Differential
Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。
本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。
本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文 参考訳（メタデータ） (2022-03-30T19:22:56Z) - Physics-informed neural networks with hard constraints for inverse
design [3.8191831921441337]
本稿では、トポロジ最適化のための新しいディープラーニング手法、物理インフォームドニューラルネットワーク(hPINN)を提案する。
光学系におけるホログラフィー問題とストークス流の流体問題に対するhPINNの有効性を示す。
論文 参考訳（メタデータ） (2021-02-09T03:18:15Z)
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。