論文の概要: Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2308.07358v1
• Date: Mon, 14 Aug 2023 14:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 15:07:11.599947
• Title: Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたエキスパート誘導メッシュの共形予測
• Authors: Amin Heyrani Nobari, Justin Rey, Suhas Kodali, Matthew Jones, Faez Ahmed
• Abstract要約: 本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
• 参考スコア（独自算出の注目度）: 8.736819316856748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational Fluid Dynamics (CFD) is widely used in different engineering fields, but accurate simulations are dependent upon proper meshing of the simulation domain. While highly refined meshes may ensure precision, they come with high computational costs. Similarly, adaptive remeshing techniques require multiple simulations and come at a great computational cost. This means that the meshing process is reliant upon expert knowledge and years of experience. Automating mesh generation can save significant time and effort and lead to a faster and more efficient design process. This paper presents a machine learning-based scheme that utilizes Graph Neural Networks (GNN) and expert guidance to automatically generate CFD meshes for aircraft models. In this work, we introduce a new 3D segmentation algorithm that outperforms two state-of-the-art models, PointNet++ and PointMLP, for surface classification. We also present a novel approach to project predictions from 3D mesh segmentation models to CAD surfaces using the conformal predictions method, which provides marginal statistical guarantees and robust uncertainty quantification and handling. We demonstrate that the addition of conformal predictions effectively enables the model to avoid under-refinement, hence failure, in CFD meshing even for weak and less accurate models. Finally, we demonstrate the efficacy of our approach through a real-world case study that demonstrates that our automatically generated mesh is comparable in quality to expert-generated meshes and enables the solver to converge and produce accurate results. Furthermore, we compare our approach to the alternative of adaptive remeshing in the same case study and find that our method is 5 times faster in the overall process of simulation. The code and data for this project are made publicly available at https://github.com/ahnobari/AutoSurf.
• Abstract（参考訳）: 計算流体力学(CFD)は様々な工学分野において広く用いられているが、正確なシミュレーションはシミュレーション領域の適切なメッシュ化に依存する。 高度に洗練されたメッシュは精度を確保できるが、計算コストが高い。 同様に、適応リメッシング技術は複数のシミュレーションを必要とし、計算コストが大きい。 これは、メッシュ処理が専門家の知識と長年の経験に依存していることを意味する。 メッシュ生成の自動化は、大幅な時間と労力を節約し、より高速で効率的な設計プロセスにつながる。 本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 本稿では,表面分類のための2つの最先端モデルであるpointnet++とpointmlpに勝る3次元セグメンテーションアルゴリズムを提案する。 また, 3次元メッシュセグメンテーションモデルからcad面へのプロジェクト予測への新しいアプローチとして, 辺縁統計の保証とロバストな不確かさの定量化とハンドリングを提供するconformal predictions法を提案する。 本研究では, 整合予測の追加により, 弱い精度のモデルであっても, CFDメッシュにおける過小評価を効果的に回避できることを示す。 最後に,本手法の有効性を実世界のケーススタディで実証し,自動生成メッシュがエキスパート生成メッシュに匹敵する品質であることを示し,解答者が収束し,正確な結果が得られることを示す。 さらに,本手法を適応リメッシングの代替手法と比較したところ,シミュレーション全体の5倍高速であることがわかった。 このプロジェクトのコードとデータはhttps://github.com/ahnobari/AutoSurf.comで公開されている。

関連論文リスト

• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• 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)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
  高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。 解像度が大きくなると、計算データ要求と時間の増加が比例する。 複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
  論文  参考訳（メタデータ） (2024-04-06T12:49:09Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
  メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。 機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。 本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
  論文  参考訳（メタデータ） (2023-07-25T15:49:25Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics [0.0]
  MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
  論文  参考訳（メタデータ） (2022-12-02T20:22:15Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。