論文の概要: Surrogate Modeling of Car Drag Coefficient with Depth and Normal Renderings

• arxiv url: http://arxiv.org/abs/2306.06110v1
• Date: Fri, 26 May 2023 09:33:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:51:54.886766
• Title: Surrogate Modeling of Car Drag Coefficient with Depth and Normal Renderings
• Title（参考訳）: 深さと正規レンダリングによるカードラッグ係数のサロゲートモデリング
• Authors: Binyang Song, Chenyang Yuan, Frank Permenter, Nikos Arechiga, Faez Ahmed
• Abstract要約: 本稿では,3次元カードラッグの予測の有効性を検証するために,新しい2次元3次元形状表現法を提案する。 我々はドラッグ係数でラベル付けされた9,070個の高品質な3Dカーメッシュの多様なデータセットを構築した。 実験により,車種別0.84以上のR2$値のドラッグ係数を精度良く,効率的に評価できることを示した。
• 参考スコア（独自算出の注目度）: 4.868319717279586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI models have made significant progress in automating the creation of 3D shapes, which has the potential to transform car design. In engineering design and optimization, evaluating engineering metrics is crucial. To make generative models performance-aware and enable them to create high-performing designs, surrogate modeling of these metrics is necessary. However, the currently used representations of three-dimensional (3D) shapes either require extensive computational resources to learn or suffer from significant information loss, which impairs their effectiveness in surrogate modeling. To address this issue, we propose a new two-dimensional (2D) representation of 3D shapes. We develop a surrogate drag model based on this representation to verify its effectiveness in predicting 3D car drag. We construct a diverse dataset of 9,070 high-quality 3D car meshes labeled by drag coefficients computed from computational fluid dynamics (CFD) simulations to train our model. Our experiments demonstrate that our model can accurately and efficiently evaluate drag coefficients with an $R^2$ value above 0.84 for various car categories. Moreover, the proposed representation method can be generalized to many other product categories beyond cars. Our model is implemented using deep neural networks, making it compatible with recent AI image generation tools (such as Stable Diffusion) and a significant step towards the automatic generation of drag-optimized car designs. We have made the dataset and code publicly available at https://decode.mit.edu/projects/dragprediction/.
• Abstract（参考訳）: 生成型AIモデルは、自動車設計を変革する可能性を持つ3D形状の自動生成において、大きな進歩を遂げている。 エンジニアリングの設計と最適化では、エンジニアリングメトリクスの評価が重要です。 生成モデルの性能を意識し、高パフォーマンスな設計を可能にするためには、これらのメトリクスのサロゲートモデリングが必要である。 しかし、現在使われている3次元形状の表現は、膨大な計算資源を必要とするか、重要な情報損失に悩まされるかのいずれかであり、代理モデリングにおけるそれらの効果を損なう。 この問題に対処するため,我々は3次元形状の新しい2次元表現を提案する。 本研究では,この表現に基づくサロゲート・ドラッグモデルを開発し,その3次元車両の抗力予測の有効性を検証する。 計算流体力学(CFD)シミュレーションから計算したドラッグ係数によってラベル付けされた9,070個の高品質な3Dカーメッシュの多種多様なデータセットを構築し、モデルを訓練する。 実験により,車種別0.84以上のR^2$値のドラッグ係数を精度良く,効率的に評価できることを示した。 さらに,提案手法は車以外の多くの製品カテゴリに一般化することができる。 我々のモデルはディープニューラルネットワークを用いて実装されており、最近のAI画像生成ツール(安定化拡散など)と互換性があり、ドラッグ最適化カーデザインの自動生成に向けた重要なステップである。 データセットとコードをhttps://decode.mit.edu/projects/dragprediction/で公開しました。

関連論文リスト

• VehicleSDF: A 3D generative model for constrained engineering design via surrogate modeling [3.746111274696241]
  本研究は,自動車開発におけるデザイン空間の探索に3次元生成モデルを用いたことを明らかにする。 我々は、所定の幾何学的仕様を満たす車両の様々な3Dモデルを生成する。 また,空力抵抗などの性能パラメータを高速に推定する。
  論文  参考訳（メタデータ） (2024-10-09T16:59:24Z)
• Bayesian Mesh Optimization for Graph Neural Networks to Enhance Engineering Performance Prediction [1.6574413179773761]
  工学設計において、サロゲートモデルは計算コストのかかるシミュレーションを置き換えるために広く使われている。 本稿では3次元ディープラーニングに基づく代理モデルのためのベイズグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々のフレームワークはベイズ最適化によってメッシュ要素の最適サイズを決定し、その結果、高精度なサロゲートモデルが得られる。
  論文  参考訳（メタデータ） (2024-06-04T06:27:48Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
  生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。 最近、研究者は焦点を2Dから3Dにシフトし始めた。 3Dデータの表現は、非常に大きな課題をもたらします。
  論文  参考訳（メタデータ） (2022-10-27T17:59:50Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)
• Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis and Analysis [143.22192229456306]
  本稿では,体積形状を表す3次元エネルギーモデルを提案する。 提案モデルの利点は6倍である。 実験により,提案モデルが高品質な3d形状パターンを生成できることが実証された。
  論文  参考訳（メタデータ） (2020-12-25T06:09:36Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)

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。