論文の概要: Incorporating Riemannian Geometric Features for Learning Coefficient of
Pressure Distributions on Airplane Wings
- arxiv url: http://arxiv.org/abs/2401.09452v1
- Date: Fri, 22 Dec 2023 13:09:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 09:28:50.849223
- Title: Incorporating Riemannian Geometric Features for Learning Coefficient of
Pressure Distributions on Airplane Wings
- Title(参考訳): 航空機翼の圧力分布の学習係数に対するリーマン幾何学的特徴の統合
- Authors: Liwei Hu, Wenyong Wang, Yu Xiang, Stefan Sommer
- Abstract要約: 航空機の空力係数は、その幾何学によって著しく影響を受ける。
幾何学理論により, 翼面上の圧力分布の係数を学習するための幾何学的特徴を取り入れることを提案する。
DLR-F11航空機テストセットの平均8.41%でCPの平均二乗誤差(MSE)を減少させる。
- 参考スコア(独自算出の注目度): 4.980486951730395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aerodynamic coefficients of aircrafts are significantly impacted by its
geometry, especially when the angle of attack (AoA) is large. In the field of
aerodynamics, traditional polynomial-based parameterization uses as few
parameters as possible to describe the geometry of an airfoil. However, because
the 3D geometry of a wing is more complicated than the 2D airfoil,
polynomial-based parameterizations have difficulty in accurately representing
the entire shape of a wing in 3D space. Existing deep learning-based methods
can extract massive latent neural representations for the shape of 2D airfoils
or 2D slices of wings. Recent studies highlight that directly taking geometric
features as inputs to the neural networks can improve the accuracy of predicted
aerodynamic coefficients. Motivated by geometry theory, we propose to
incorporate Riemannian geometric features for learning Coefficient of Pressure
(CP) distributions on wing surfaces. Our method calculates geometric features
(Riemannian metric, connection, and curvature) and further inputs the geometric
features, coordinates and flight conditions into a deep learning model to
predict the CP distribution. Experimental results show that our method,
compared to state-of-the-art Deep Attention Network (DAN), reduces the
predicted mean square error (MSE) of CP by an average of 8.41% for the DLR-F11
aircraft test set.
- Abstract(参考訳): 航空機の空力係数は、特に攻撃角度(AoA)が大きい場合、その幾何学によって著しく影響を受ける。
空気力学の分野では、伝統的な多項式ベースのパラメータ化は、翼の幾何学を記述するためにできるだけ少数のパラメータを使用する。
しかし、翼の3次元幾何学は2次元翼よりも複雑であるため、多項式ベースのパラメータ化は翼全体の形状を正確に表現することが困難である。
既存のディープラーニングベースの手法では、2D翼や2D翼の形状に関する巨大な潜在神経表現を抽出することができる。
最近の研究では、幾何学的特徴を直接ニューラルネットワークへの入力として取り込むことで、予測された空力係数の精度を向上させることができる。
幾何学理論により, 翼面上の圧力係数(CP)分布の学習にリーマン幾何学的特徴を取り入れることを提案する。
提案手法は,幾何学的特徴(リーマン計量,接続,曲率)を計算し,さらに幾何学的特徴,座標,飛行条件を深層学習モデルに入力し,CP分布を予測する。
実験の結果,最先端のディープ・アテンション・ネットワーク (dan) と比較して, dlr-f11 航空機テストセットの予測平均二乗誤差 (mse) を平均8.41%削減できた。
関連論文リスト
- A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳(メタデータ) (2024-12-12T16:05:39Z) - AirPlanes: Accurate Plane Estimation via 3D-Consistent Embeddings [26.845588648999417]
本研究では,3次元画像から平面面を推定する問題に対処する。
本稿では,平面へのクラスタリングにおける幾何を補完する多視点一貫した平面埋め込みを予測する手法を提案する。
我々は、ScanNetV2データセットの広範な評価を通じて、我々の新しい手法が既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2024-06-13T09:49:31Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳(メタデータ) (2024-02-08T17:57:59Z) - The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。
楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文 参考訳(メタデータ) (2023-10-02T09:23:32Z) - A Manifold-based Airfoil Geometric-feature Extraction and Discrepant
Data Fusion Learning Method [17.632073629030845]
本研究では, 航空機の幾何学的特徴を抽出するために, 多様体を用いた翼形状抽出と離散データ融合学習法を提案する。
実験により,本手法は既存の手法によりより高精度に翼形状を抽出できることが示唆された。
論文 参考訳(メタデータ) (2022-06-23T08:55:21Z) - 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) - Elastic shape analysis of surfaces with second-order Sobolev metrics: a
comprehensive numerical framework [11.523323270411959]
本稿では3次元表面形状解析のための数値的手法を提案する。
本研究では、3次元メッシュとして表されるパラメータ化面と非パラメータ化面の間の測地線と測地線距離の計算に対処する。
論文 参考訳(メタデータ) (2022-04-08T18:19:05Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳(メタデータ) (2020-06-22T14:35:33Z) - From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized
3D Point Clouds [59.98665358527686]
直交平面の分割自由結合推定法を提案する。
このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。
本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
論文 参考訳(メタデータ) (2020-01-21T06:51:47Z)
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。