論文の概要: ShipGen: A Diffusion Model for Parametric Ship Hull Generation with
Multiple Objectives and Constraints
- arxiv url: http://arxiv.org/abs/2311.06315v2
- Date: Tue, 14 Nov 2023 03:55:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 17:21:27.721701
- Title: ShipGen: A Diffusion Model for Parametric Ship Hull Generation with
Multiple Objectives and Constraints
- Title（参考訳）: ShipGen: 複数の目的と制約を持つパラメトリック船殻生成のための拡散モデル
- Authors: Noah J. Bagazinski and Faez Ahmed
- Abstract要約: 本稿では,パラメトリック拡散モデルを用いたパラメトリック船体設計について述べる。
生成した船体設計の品質を改善するためのガイダンスの追加について詳述している。
生成的人工知能はデザインサイクルの時間を短縮し、新しい高性能なデザインを作り出すことが示されている。
- 参考スコア（独自算出の注目度）: 4.485378844492069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ship design is a years-long process that requires balancing complex design
trade-offs to create a ship that is efficient and effective. Finding new ways
to improve the ship design process can lead to significant cost savings for
ship building and operation. One promising technology is generative artificial
intelligence, which has been shown to reduce design cycle time and create
novel, high-performing designs. In literature review, generative artificial
intelligence has been shown to generate ship hulls; however, ship design is
particularly difficult as the hull of a ship requires the consideration of many
objectives. This paper presents a study on the generation of parametric ship
hull designs using a parametric diffusion model that considers multiple
objectives and constraints for the hulls. This denoising diffusion
probabilistic model (DDPM) generates the tabular parametric design vectors of a
ship hull for evaluation. In addition to a tabular DDPM, this paper details
adding guidance to improve the quality of generated ship hull designs. By
leveraging classifier guidance, the DDPM produced feasible parametric ship
hulls that maintain the coverage of the initial training dataset of ship hulls
with a 99.5% rate, a 149x improvement over random sampling of the design vector
parameters across the design space. Parametric ship hulls produced with
performance guidance saw an average of 91.4% reduction in wave drag
coefficients and an average of a 47.9x relative increase in the total displaced
volume of the hulls compared to the mean performance of the hulls in the
training dataset. The use of a DDPM to generate parametric ship hulls can
reduce design time by generating high-performing hull designs for future
analysis. These generated hulls have low drag and high volume, which can reduce
the cost of operating a ship and increase its potential to generate revenue.
- Abstract（参考訳）: 船の設計は、複雑な設計のトレードオフをバランスさせ、効率的で効果的な船を作るための長年のプロセスである。
船の設計プロセスを改善する新しい方法を見つけることは、造船と運用に多大なコスト削減をもたらす可能性がある。
有望な技術のひとつが生成型人工知能であり、デザインサイクル時間を短縮し、新しい高性能なデザインを生み出すことが示されている。
文献レビューでは、生成的人工知能が船体を生成することが示されているが、船舶の船体が多くの目的を考慮しなければならないため、船体設計は特に困難である。
本稿では,船体に対する複数の目的と制約を考慮したパラメトリック拡散モデルを用いたパラメトリック船体設計について検討する。
この消音拡散確率モデル(ddpm)は、評価のために船殻の表状パラメトリック設計ベクトルを生成する。
本報告では, 表式DDPMに加えて, 船舶船体設計の品質向上のためのガイダンスを詳述する。
ddpmは分類器のガイダンスを利用することで、船体の初期訓練データセットを99.5%の率でカバーし、設計空間全体の設計ベクトルパラメータをランダムにサンプリングするよりも149倍改善する実現可能なパラメトリック船体を作成した。
性能指導によるパラメトリック船体は、平均91.4%の波抵抗係数の低下と、訓練データセットにおける船体の平均性能と比較して、船体全体の変位体積の47.9倍の相対的な増加を示した。
ddpmを用いてパラメトリック船体を生成することにより、将来の解析のために高性能船体設計を発生させることで設計時間を短縮できる。
これらの船体は低抵抗で高容積であり、船舶の運用コストを削減し、収益を生み出す可能性を高めることができる。
関連論文リスト
- Generative AI in Ship Design [0.0]
生成AIは、機械学習と人工知能に根ざした計算アルゴリズムを利用して船体設計を最適化する、新しいアプローチを提案する。
本報告では、データセット収集、モデルアーキテクチャの選択、トレーニング、検証などのステップを含む、この目的のための生成AIの体系的な作成について概説する。
全体として、このアプローチは、より広い設計空間を探索し、多分野最適化の目的を効果的に統合することで、船の設計に革命をもたらすことを約束している。
論文 参考訳（メタデータ） (2024-08-29T08:55:35Z) - C-ShipGen: A Conditional Guided Diffusion Model for Parametric Ship Hull Design [3.796768352477804]
船の設計プロセスの改善は、顧客に対して高品質な設計を提供しながら、大幅なコスト削減につながる可能性がある。
船体設計のための新しい技術は拡散モデル(英語版)である。
本稿では,特定の制約を課した船体設計を生成する条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-05-10T01:10:49Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Multi-Objective Hull Form Optimization with CAD Engine-based Deep
Learning Physics for 3D Flow Prediction [0.0]
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。
論文 参考訳（メタデータ） (2023-06-22T14:30:41Z) - 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) - ShipHullGAN: A generic parametric modeller for ship hull design using
deep convolutional generative model [0.0]
深層畳み込み生成逆数ネットワーク(GAN)を用いて構築された汎用パラメトリック・モデラーであるShipHullGANを紹介する。
高いレベルでは、新しいモデルはパラメトリック船の設計パラダイムにおける現在の保守性に対処することを目的としている。
ShipHullGANを52,591個のテキストで検証した大規模なデータセットで訓練した。
論文 参考訳（メタデータ） (2023-04-29T09:31:20Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - Deep Learning-based Compressive Beam Alignment in mmWave Vehicular
Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。
構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-27T04:38:12Z) - Optimizing Vessel Trajectory Compression [71.42030830910227]
前回の研究では,AISの位置情報をオンラインで消費することで,血管軌跡の要約表現を提供するトラジェクトリ検出モジュールを導入しました。
この手法は、生データの少なくとも70%を冗長として廃棄することにより、元のコースからほとんど逸脱しない信頼性の高い軌道合成を提供することができる。
しかし、そのような軌道圧縮はパラメトリゼーションに非常に敏感である。
各容器のタイプを考慮し, 軌道のシナプスを改良する適切な構成を提供する。
論文 参考訳（メタデータ） (2020-05-11T20:38:56Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。