論文の概要: Ship-D: Ship Hull Dataset for Design Optimization using Machine Learning
- arxiv url: http://arxiv.org/abs/2305.08279v2
- Date: Tue, 16 May 2023 18:57:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 11:40:39.433038
- Title: Ship-D: Ship Hull Dataset for Design Optimization using Machine Learning
- Title（参考訳）: Ship-D: 機械学習を用いた設計最適化のためのシップハルデータセット
- Authors: Noah J. Bagazinski and Faez Ahmed
- Abstract要約: 本稿では, 設計および機能性能情報を備えた3万隻の船体からなる大規模データセットについて述べる。
本稿では,既存の船体を正確に再構成するパラメータ化機能を示すために,一般公開CADリポジトリから12種類の船体について紹介する。
- 参考スコア（独自算出の注目度）: 4.091593765662773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has recently made significant strides in reducing design
cycle time for complex products. Ship design, which currently involves years
long cycles and small batch production, could greatly benefit from these
advancements. By developing a machine learning tool for ship design that learns
from the design of many different types of ships, tradeoffs in ship design
could be identified and optimized. However, the lack of publicly available ship
design datasets currently limits the potential for leveraging machine learning
in generalized ship design. To address this gap, this paper presents a large
dataset of thirty thousand ship hulls, each with design and functional
performance information, including parameterization, mesh, point cloud, and
image representations, as well as thirty two hydrodynamic drag measures under
different operating conditions. The dataset is structured to allow human input
and is also designed for computational methods. Additionally, the paper
introduces a set of twelve ship hulls from publicly available CAD repositories
to showcase the proposed parameterizations ability to accurately reconstruct
existing hulls. A surrogate model was developed to predict the thirty two wave
drag coefficients, which was then implemented in a genetic algorithm case study
to reduce the total drag of a hull by sixty percent while maintaining the shape
of the hulls cross section and the length of the parallel midbody. Our work
provides a comprehensive dataset and application examples for other researchers
to use in advancing data driven ship design.
- Abstract（参考訳）: 機械学習は最近、複雑な製品の設計サイクル時間を短縮するために大きな進歩を遂げている。
船体設計は現在、長いサイクルと小さなバッチ生産を含むが、これらの進歩の大きな恩恵を受ける可能性がある。
様々な種類の船舶の設計から学習する船舶設計のための機械学習ツールを開発することで、船舶設計におけるトレードオフを特定し最適化することができる。
しかし、現在公開されている船の設計データセットの欠如は、一般的な船の設計において機械学習を活用する可能性を制限している。
このギャップに対処するために, パラメータ化, メッシュ, 点雲, 画像表現などの設計および機能性能情報と, 異なる動作条件下での3つの流体抵抗測定値を含む, 3万個の船殻の大規模データセットを提案する。
データセットは人間の入力を可能にするように構成されており、計算方法も設計されている。
さらに,既存の船体を正確に再構成するパラメータ化機能を示すため,公開されているCADレポジトリから12種類の船体を紹介する。
遺伝的アルゴリズムのケーススタディでは, 船体断面の形状と平行中間体の長さを保ちながら, 船体の総抗力を60パーセント削減するために, 30の波動抵抗係数を予測するために代理モデルが開発された。
我々の研究は、他の研究者がデータ駆動船の設計を進めるために使用する包括的なデータセットとアプリケーションの例を提供します。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Generative AI in Ship Design [0.0]
生成AIは、機械学習と人工知能に根ざした計算アルゴリズムを利用して船体設計を最適化する、新しいアプローチを提案する。
本報告では、データセット収集、モデルアーキテクチャの選択、トレーニング、検証などのステップを含む、この目的のための生成AIの体系的な作成について概説する。
全体として、このアプローチは、より広い設計空間を探索し、多分野最適化の目的を効果的に統合することで、船の設計に革命をもたらすことを約束している。
論文 参考訳（メタデータ） (2024-08-29T08:55:35Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - C-ShipGen: A Conditional Guided Diffusion Model for Parametric Ship Hull Design [3.796768352477804]
船の設計プロセスの改善は、顧客に対して高品質な設計を提供しながら、大幅なコスト削減につながる可能性がある。
船体設計のための新しい技術は拡散モデル(英語版)である。
本稿では,特定の制約を課した船体設計を生成する条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-05-10T01:10:49Z) - 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) - ShipGen: A Diffusion Model for Parametric Ship Hull Generation with
Multiple Objectives and Constraints [4.485378844492069]
本稿では,パラメトリック拡散モデルを用いたパラメトリック船体設計について述べる。
生成した船体設計の品質を改善するためのガイダンスの追加について詳述している。
生成的人工知能はデザインサイクルの時間を短縮し、新しい高性能なデザインを作り出すことが示されている。
論文 参考訳（メタデータ） (2023-11-09T22:26:03Z) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳（メタデータ） (2023-09-18T12:36:39Z) - PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic
Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。
また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。
プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文 参考訳（メタデータ） (2023-08-31T17:57:17Z) - 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) - ShipHullGAN: A generic parametric modeller for ship hull design using
deep convolutional generative model [0.0]
深層畳み込み生成逆数ネットワーク(GAN)を用いて構築された汎用パラメトリック・モデラーであるShipHullGANを紹介する。
高いレベルでは、新しいモデルはパラメトリック船の設計パラダイムにおける現在の保守性に対処することを目的としている。
ShipHullGANを52,591個のテキストで検証した大規模なデータセットで訓練した。
論文 参考訳（メタデータ） (2023-04-29T09:31:20Z) - 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors
Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。
具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。
提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
論文 参考訳（メタデータ） (2020-08-10T09:50:28Z)
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。