論文の概要: Multi-Objective Hull Form Optimization with CAD Engine-based Deep
Learning Physics for 3D Flow Prediction
- arxiv url: http://arxiv.org/abs/2306.12915v1
- Date: Thu, 22 Jun 2023 14:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 14:16:10.702261
- Title: Multi-Objective Hull Form Optimization with CAD Engine-based Deep
Learning Physics for 3D Flow Prediction
- Title(参考訳): CADエンジンを用いた3次元流れ予測のための深層学習物理を用いた多目的ハル形状最適化
- Authors: Jocelyn Ahmed Mazari, Antoine Reverberi, Pierre Yser, Sebastian
Sigmund
- Abstract要約: 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。
- 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: In this work, we propose a built-in Deep Learning Physics Optimization (DLPO)
framework to set up a shape optimization study of the Duisburg Test Case (DTC)
container vessel. We present two different applications: (1) sensitivity
analysis to detect the most promising generic basis hull shapes, and (2)
multi-objective optimization to quantify the trade-off between optimal hull
forms. DLPO framework allows for the evaluation of design iterations
automatically in an end-to-end manner. We achieved these results by coupling
Extrality's Deep Learning Physics (DLP) model to a CAD engine and an optimizer.
Our proposed DLP model is trained on full 3D volume data coming from RANS
simulations, and it can provide accurate and high-quality 3D flow predictions
in real-time, which makes it a good evaluator to perform optimization of new
container vessel designs w.r.t the hydrodynamic efficiency. In particular, it
is able to recover the forces acting on the vessel by integration on the hull
surface with a mean relative error of 3.84\% \pm 2.179\% on the total
resistance. Each iteration takes only 20 seconds, thus leading to a drastic
saving of time and engineering efforts, while delivering valuable insight into
the performance of the vessel, including RANS-like detailed flow information.
We conclude that DLPO framework is a promising tool to accelerate the ship
design process and lead to more efficient ships with better hydrodynamic
performance.
- Abstract(参考訳): 本研究では,Duisburg Test Case (DTC)コンテナ容器の形状最適化研究を行うためのDLPO(Deep Learning Physics Optimization)フレームワークを提案する。
我々は,(1)最も有望な基本船体形状を検出する感度解析と(2)最適船体形状間のトレードオフを定量化する多目的最適化の2つの異なる応用法を提案する。
dlpoフレームワークは、設計イテレーションをエンドツーエンドで自動的に評価できる。
これらの結果は、ExtralityのDeep Learning Physics(DLP)モデルをCADエンジンとオプティマイザに結合することで実現した。
提案するdlpモデルは,ransシミュレーションから得られたフル3dボリュームデータに基づいてトレーニングされ,高精度かつ高品質な3dフロー予測をリアルタイムに行うことができる。
特に、船体表面に一体化することで船体に作用する力を回復することができ、総抵抗の相対誤差は3.84\% \pm 2.179\%である。
各イテレーションはわずか20秒で時間とエンジニアリングの労力を大幅に節約し、RANSのような詳細なフロー情報を含む船の性能に関する貴重な洞察を提供する。
DLPOフレームワークは, 船の設計プロセスの高速化と, より効率の良い船の流動性能向上に寄与する, 有望なツールである。
関連論文リスト
- Ship-D: Ship Hull Dataset for Design Optimization using Machine Learning [4.091593765662773]
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。
論文 参考訳(メタデータ) (2023-05-14T23:47:20Z) - Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。
また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。
本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
論文 参考訳(メタデータ) (2023-04-24T19:52:42Z) - Constrained Bayesian Optimization for Automatic Underwater Vehicle Hull
Design [0.6767885381740952]
本稿では,水中船体設計の最適化について紹介する。
我々は,時間を要する高価なエンジニアリングシミュレーションを最適化するために開発されたよく知られた手法であるベイズ最適化(BO)の手法を用いる。
ドメイン固有のツールチェーンとAIベースの最適化を統合することで、水中車体設計の自動設計最適化を実行しました。
論文 参考訳(メタデータ) (2023-02-28T16:36:26Z) - Rethinking Lightweight Salient Object Detection via Network Depth-Width
Tradeoff [26.566339984225756]
既存の有能なオブジェクト検出手法では、より深いネットワークが採用され、性能が向上する。
本稿では,U字形構造を3つの相補枝に分解することで,新しい3方向デコーダフレームワークを提案する。
提案手法は,5つのベンチマークにおいて効率と精度のバランスが良くなることを示す。
論文 参考訳(メタデータ) (2023-01-17T03:43:25Z) - Data-Model-Circuit Tri-Design for Ultra-Light Video Intelligence on Edge
Devices [90.30316433184414]
本稿では,HDビデオストリーム上での高スループット,低コスト,高精度MOTのためのデータモデル・ハードウエア・トリデザイン・フレームワークを提案する。
現状のMOTベースラインと比較して、我々の三設計アプローチは12.5倍の遅延低減、20.9倍のフレームレート改善、5.83倍の低消費電力、9.78倍のエネルギー効率を実現でき、精度は低下しない。
論文 参考訳(メタデータ) (2022-10-16T16:21:40Z) - Online Convolutional Re-parameterization [51.97831675242173]
2段階のパイプラインであるオンライン畳み込み再パラメータ化(OREPA)は、複雑なトレーニング時間ブロックを単一の畳み込みに絞ることで、巨大なトレーニングオーバーヘッドを低減することを目的としている。
最先端のre-paramモデルと比較して、OREPAはトレーニング時間のメモリコストを約70%削減し、トレーニング速度を約2倍向上させることができる。
また、オブジェクト検出とセマンティックセグメンテーションの実験を行い、下流タスクに一貫した改善を示す。
論文 参考訳(メタデータ) (2022-04-02T09:50:19Z) - Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文 参考訳(メタデータ) (2021-12-15T19:37:11Z) - Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images
with Virtual Depth [64.29043589521308]
仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。
レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。
さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
論文 参考訳(メタデータ) (2021-07-28T11:00:47Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳(メタデータ) (2021-07-23T03:33:29Z) - Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。
単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。
バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
論文 参考訳(メタデータ) (2021-03-12T00:22:50Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-26T04:04:21Z)
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。