論文の概要: FluxGAN: A Physics-Aware Generative Adversarial Network Model for
Generating Microstructures That Maintain Target Heat Flux
- arxiv url: http://arxiv.org/abs/2310.04622v1
- Date: Fri, 6 Oct 2023 23:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 17:09:44.509723
- Title: FluxGAN: A Physics-Aware Generative Adversarial Network Model for
Generating Microstructures That Maintain Target Heat Flux
- Title（参考訳）: FluxGAN - 熱フラックスをターゲットとした組織生成のための物理認識型生成逆ネットワークモデル
- Authors: Artem K. Pimachev, Manoj Settipalli and Sanghamitra Neogi
- Abstract要約: 本稿では,大規模構造物の高品質な画像を同時に生成できる物理認識型生成逆ネットワークモデルFluxGANを提案する。
このモデルは2次元(2次元)の例で訓練した後、3次元(3次元)ドメインでコーティングミクロ組織と物理プロセスを生成することができる。
本手法は, 溶射皮膜の設計と最適化を, 様々な用途に応用できる可能性を持っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a physics-aware generative adversarial network model, FluxGAN,
capable of simultaneously generating high-quality images of large
microstructures and description of their thermal properties. During the
training phase, the model learns about the relationship between the local
structural features and the physical processes, such as the heat flux in the
microstructures, due to external temperature gradients. Once trained, the model
generates new structural and associated heat flux environments, bypassing the
computationally expensive modeling. Our model provides a cost effective and
efficient approach over conventional modeling techniques, such as the finite
element method (FEM), for describing the thermal properties of microstructures.
The conventional approach requires computational modeling that scales with the
size of the microstructure model, therefore limiting the simulation to a given
size, resolution, and complexity of the model. In contrast, the FluxGAN model
uses synthesis-by-part approach and generates arbitrary large size images at
low computational cost. We demonstrate that the model can be utilized to
generate designs of thermal sprayed coatings that satisfies target thermal
properties. Furthermore, the model is capable of generating coating
microstructures and physical processes in three-dimensional (3D) domain after
being trained on two-dimensional (2D) examples. Our approach has the potential
to transform the design and optimization of thermal sprayed coatings for
various applications, including high-temperature and long-duration operation of
gas turbines for aircraft or ground-based power generators.
- Abstract（参考訳）: 本稿では,大規模構造の高品質な画像と熱特性を同時に生成できる物理認識型生成逆ネットワークモデルFluxGANを提案する。
トレーニングフェーズの間、モデルは、外部温度勾配による組織内の熱流束など、局所的な構造的特徴と物理的過程との関係について学習する。
トレーニングが完了すると、新しい構造と関連する熱流環境が生成され、計算に高価なモデリングをバイパスする。
本モデルは, 有限要素法 (fem) などの従来のモデリング手法と比較して, ミクロ組織の熱的特性を記述するためのコスト効率と効率のよいアプローチを提供する。
従来の手法では、マイクロ構造モデルのサイズに合わせてスケールする計算モデルが必要であるため、シミュレーションを与えられたサイズ、解像度、複雑さに制限する。
対照的に、FluxGANモデルは合成・バイ・パートのアプローチを使用して、計算コストの低い任意のサイズの画像を生成する。
本モデルは, ターゲット熱特性を満たす溶射皮膜の設計に有効であることを示す。
さらに、2次元(2次元)の例で訓練した後、3次元(3次元)領域でコーティングミクロ組織と物理プロセスを生成することができる。
本手法は, 航空機や地上発電機用ガスタービンの高温・長期運転を含む各種用途への溶射皮膜の設計と最適化を変革する可能性を秘めている。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。
我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。
PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文 参考訳（メタデータ） (2024-07-08T16:38:52Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Deep convolutional encoder-decoder hierarchical neural networks for
conjugate heat transfer surrogate modeling [0.0]
共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。
高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。
モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
論文 参考訳（メタデータ） (2023-11-24T21:45:11Z) - Multi-fidelity Design of Porous Microstructures for Thermofluidic
Applications [0.5249805590164902]
多孔質表面で強化された二相冷却法が潜在的な溶液として出現している。
このような多孔質構造では、最適放熱容量は2つの競合する目的に依存する。
我々は, 最適多孔質構造を設計するためのデータ駆動型フレームワークを開発した。
論文 参考訳（メタデータ） (2023-10-27T21:51:11Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - Latent Diffusion Models for Structural Component Design [11.342098118480802]
本稿では,構造部品の生成設計のための枠組みを提案する。
我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
論文 参考訳（メタデータ） (2023-09-20T19:28:45Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳（メタデータ） (2020-04-05T16:58:31Z)
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。