論文の概要: Compact and Intuitive Airfoil Parameterization Method through Physics-aware Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2311.10921v1
• Date: Sat, 18 Nov 2023 00:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 13:32:43.802525
• Title: Compact and Intuitive Airfoil Parameterization Method through Physics-aware Variational Autoencoder
• Title（参考訳）: 物理対応変分オートエンコーダによる小型・直観的翼パラメータ化法
• Authors: Yu-Eop Kang, Dawoon Lee, and Kwanjung Yee
• Abstract要約: 翼形状最適化は高性能航空機の設計において重要な役割を果たしている。 この問題を解決するために、多くの翼パラメータ化法が開発されている。 しかし、これらの属性をすべて包含する単一のアプローチはまだ見つかっていない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Airfoil shape optimization plays a critical role in the design of high-performance aircraft. However, the high-dimensional nature of airfoil representation causes the challenging problem known as the "curse of dimensionality". To overcome this problem, numerous airfoil parameterization methods have been developed, which can be broadly classified as polynomial-based and data-driven approaches. Each of these methods has desirable characteristics such as flexibility, parsimony, feasibility, and intuitiveness, but a single approach that encompasses all of these attributes has yet to be found. For example, polynomial-based methods struggle to balance parsimony and flexibility, while data-driven methods lack in feasibility and intuitiveness. In recent years, generative models, such as generative adversarial networks and variational autoencoders, have shown promising potential in airfoil parameterization. However, these models still face challenges related to intuitiveness due to their black-box nature. To address this issue, we developed a novel airfoil parameterization method using physics-aware variational autoencoder. The proposed method not only explicitly separates the generation of thickness and camber distributions to produce smooth and non-intersecting airfoils, thereby improving feasibility, but it also directly aligns its latent dimensions with geometric features of the airfoil, significantly enhancing intuitiveness. Finally, extensive comparative studies were performed to demonstrate the effectiveness of our approach.
• Abstract（参考訳）: 翼形状最適化は高性能航空機の設計において重要な役割を果たしている。 しかし、高次元の翼表現の性質は「次元の曲線」として知られる挑戦的な問題を引き起こす。 この問題を解決するために、多くの翼パラメータ化法が開発され、多項式ベースおよびデータ駆動アプローチに広く分類できる。 これらの手法には、柔軟性、パーシモニー、実現可能性、直感性といった望ましい特徴があるが、これらの属性をすべて包含する単一のアプローチはまだ見つからない。 例えば、多項式ベースのメソッドは並列性と柔軟性のバランスに苦しむ一方で、データ駆動型メソッドは実現可能性と直感性に欠ける。 近年, 生成逆数ネットワークや変分オートエンコーダなどの生成モデルは, 翼パラメータ化において有望な可能性を示している。 しかしながら、これらのモデルはブラックボックスの性質のため直観性に関わる課題に直面している。 そこで我々は,物理対応変分オートエンコーダを用いた新しい翼パラメータ化手法を開発した。 提案手法は,スムーズで非交差性のある翼を製作するために,厚さとカムバーの分布を明示的に分離するだけでなく,気翼の幾何学的特徴と密接な寸法を一致させ,直感性を著しく向上させる。 最後に,本手法の有効性を示すため,広範な比較研究を行った。

関連論文リスト

• Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
  拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。 我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
  論文  参考訳（メタデータ） (2024-08-28T16:12:16Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
  本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。 具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
  論文  参考訳（メタデータ） (2023-12-30T07:40:47Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Parametric Generative Schemes with Geometric Constraints for Encoding and Synthesizing Airfoils [25.546237636065182]
  特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。 ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。 制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
  論文  参考訳（メタデータ） (2022-05-05T05:58:08Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
  低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。 提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
  論文  参考訳（メタデータ） (2021-05-10T17:42:01Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization [9.432375767178284]
  本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。 我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
  論文  参考訳（メタデータ） (2021-01-12T21:25:45Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。