論文の概要: A Generative Neural Network Approach for 3D Multi-Criteria Design Generation and Optimization of an Engine Mount for an Unmanned Air Vehicle

• arxiv url: http://arxiv.org/abs/2311.03414v1
• Date: Mon, 6 Nov 2023 09:33:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 18:15:33.520555
• Title: A Generative Neural Network Approach for 3D Multi-Criteria Design Generation and Optimization of an Engine Mount for an Unmanned Air Vehicle
• Title（参考訳）: 無人航空機用エンジンマウントの3次元マルチクリテリア設計と最適化のための生成ニューラルネットワークアプローチ
• Authors: Christoph Petroll and Sebastian Eilermann and Philipp Hoefer and Oliver Niggemann
• Abstract要約: ニューラルネットワークをトレーニングして、機能と幾何学の依存関係を極めて効果的な方法で学習します。 本稿では,無人航空機(UAV)モーターマウントに関連する3次元設計ユースケースの多面的課題に対処する。 トレーニングされたニューラルネットワークを用いて、自己定義機能条件下で最適化された設計を生成する能力を示す。
• 参考スコア（独自算出の注目度）: 2.0700747055024284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the most promising developments in computer vision in recent years is the use of generative neural networks for functionality condition-based 3D design reconstruction and generation. Here, neural networks learn dependencies between functionalities and a geometry in a very effective way. For a neural network the functionalities are translated in conditions to a certain geometry. But the more conditions the design generation needs to reflect, the more difficult it is to learn clear dependencies. This leads to a multi criteria design problem due various conditions, which are not considered in the neural network structure so far. In this paper, we address this multi-criteria challenge for a 3D design use case related to an unmanned aerial vehicle (UAV) motor mount. We generate 10,000 abstract 3D designs and subject them all to simulations for three physical disciplines: mechanics, thermodynamics, and aerodynamics. Then, we train a Conditional Variational Autoencoder (CVAE) using the geometry and corresponding multicriteria functional constraints as input. We use our trained CVAE as well as the Marching cubes algorithm to generate meshes for simulation based evaluation. The results are then evaluated with the generated UAV designs. Subsequently, we demonstrate the ability to generate optimized designs under self-defined functionality conditions using the trained neural network.
• Abstract（参考訳）: 近年のコンピュータビジョンで最も有望な発展の1つは、機能条件に基づく3d設計の再構築と生成のための生成ニューラルネットワークの利用である。 ここでニューラルネットワークは、機能と幾何学の間の依存性を非常に効果的な方法で学習する。 ニューラルネットワークの場合、関数は条件付きで特定の幾何学に変換される。 しかし、設計生成が反映する必要がある条件が多ければ多いほど、明確な依存関係を学ぶことが難しくなります。 これは、これまでのニューラルネットワーク構造では考慮されていない様々な条件による多重基準設計問題につながる。 本稿では,無人航空機(UAV)モーターマウントに関連する3次元設計ユースケースについて,このマルチ基準課題に対処する。 我々は1万の抽象的な3Dデザインを生成し、それらを3つの物理分野(力学、熱力学、空気力学)のシミュレーションに含めます。 次に,条件変分オートエンコーダ (CVAE) を幾何と対応する多条件関数制約を入力として訓練する。 我々は、トレーニングされたCVAEとマーチングキューブアルゴリズムを用いて、シミュレーションに基づく評価のためのメッシュを生成する。 結果は生成されたUAV設計で評価される。 その後、トレーニングニューラルネットワークを用いて、自己定義機能条件下で最適化された設計を生成する能力を示す。

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)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• 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)
• Learning Effective NeRFs and SDFs Representations with 3D Generative Adversarial Networks for 3D Object Generation: Technical Report for ICCV 2023 OmniObject3D Challenge [28.425698777641482]
  ICCV 2023 OmniObject3D Challengeの3次元オブジェクト生成ソリューションを提案する。 本研究では,3次元オブジェクト生成のための3次元生成支援ネットワーク(GAN)を用いた学習効率の高いNeRFとSDFの表現について検討する。
  論文  参考訳（メタデータ） (2023-09-28T02:23:46Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Hierarchical Neural Coding for Controllable CAD Model Generation [34.14256897199849]
  本稿では,CAD(Computer Aided Design)の新しい生成モデルを提案する。 これはCADモデルの高レベルな設計概念を、ニューラルネットワークの3レベル階層木として表現している。 コードツリーを使用してターゲット設計を指定することでCADモデルの生成や完成を制御する。
  論文  参考訳（メタデータ） (2023-06-30T21:49:41Z)
• Surrogate Modeling of Car Drag Coefficient with Depth and Normal Renderings [4.868319717279586]
  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。
  論文  参考訳（メタデータ） (2023-05-26T09:33:12Z)
• Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
  自己回帰(AR)モデルはグリッド空間の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印象的な結果を得た。 本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
  論文  参考訳（メタデータ） (2023-03-26T12:03:18Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。