論文の概要: A mechanism-informed reinforcement learning framework for shape
optimization of airfoils
- arxiv url: http://arxiv.org/abs/2403.04329v1
- Date: Thu, 7 Mar 2024 08:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 14:33:46.507366
- Title: A mechanism-informed reinforcement learning framework for shape
optimization of airfoils
- Title(参考訳): 翼の形状最適化のためのメカニズムインフォームド強化学習フレームワーク
- Authors: Jingfeng Wang and Guanghui Hu
- Abstract要約: 翼形状最適化のためのメカニズムインフォームド強化学習フレームワークを提案する。
本手法は流体力学によって支配される形状の最適化の複雑さに対処する。
- 参考スコア(独自算出の注目度): 0.38850145898707145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we present the mechanism-informed reinforcement learning
framework for airfoil shape optimization. By leveraging the twin delayed deep
deterministic policy gradient algorithm for its notable stability, our approach
addresses the complexities of optimizing shapes governed by fluid dynamics. The
PDEs-based solver is adopted for its accuracy even when the configurations and
geometries are extraordinarily changed during the exploration. Dual-weighted
residual-based mesh refinement strategy is applied to ensure the accurate
calculation of target functionals. To streamline the iterative optimization
process and handle geometric deformations, our approach integrates Laplacian
smoothing, adaptive refinement, and a B\'ezier fitting strategy. This
combination not only remits mesh tangling but also guarantees a precise
manipulation of the airfoil geometry. Our neural network architecture leverages
B\'ezier curves for efficient dimensionality reduction, thereby enhancing the
learning process and ensuring the geometric accuracy of the airfoil shapes. An
attention mechanism is embedded within the network to calculate potential
action on the state as well. Furthermore, we have introduced different reward
and penalty mechanisms tailored to the specific challenges of airfoil
optimization. This algorithm is designed to support the optimization task,
facilitating a more targeted and effective approach for airfoil shape
optimization.
- Abstract(参考訳): 本研究では, 翼形状最適化のための機構型強化学習フレームワークを提案する。
2つの遅延型決定論的ポリシー勾配アルゴリズムをその顕著な安定性のために活用することにより,流体力学に支配される形状の最適化の複雑さに対処した。
pdesベースのソルバは、探索中に構成やジオメトリが異常に変化しても精度が向上する。
二重重み付き残差メッシュ改質戦略を適用し, 目標関数の正確な計算を確実にする。
反復最適化プロセスの合理化と幾何変形の処理のために,我々はラプラシアスムージング,適応的洗練,B'ezierのフィッティング戦略を統合する。
この組み合わせはメッシュタングリングをリミットするだけでなく、翼形状の精密な操作も保証している。
ニューラルネットワークアーキテクチャでは,b\'ezier曲線を効率的に次元化することにより,学習プロセスを強化し,翼形状の幾何学的精度を確保する。
注意機構がネットワーク内に埋め込まれ、状態に対する潜在的なアクションも計算される。
さらに, 翼の最適化の課題に合わせて, 異なる報酬・ペナルティ機構を導入している。
このアルゴリズムは最適化作業を支援するために設計されており、翼形状最適化のためのより標的的で効果的なアプローチを容易にする。
関連論文リスト
- Learning to optimize with convergence guarantees using nonlinear system theory [0.4143603294943439]
非制約対象関数に対する収束アルゴリズムのアンメトリゼーションを提案する。
具体的には、スムーズなパラメトリゼーションのための全収束アルゴリズムのアンメトリゼーションを提案する。
論文 参考訳(メタデータ) (2024-03-14T13:40:26Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳(メタデータ) (2024-03-11T09:10:37Z) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳(メタデータ) (2023-08-10T06:40:19Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Deep convolutional neural network for shape optimization using level-set
approach [0.0]
本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。
CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
論文 参考訳(メタデータ) (2022-01-17T04:41:51Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。
特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
論文 参考訳(メタデータ) (2021-06-15T15:16:28Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-15T15:09:21Z) - An adaptive stochastic gradient-free approach for high-dimensional
blackbox optimization [0.0]
本研究では,高次元非平滑化問題に対する適応勾配フリー (ASGF) アプローチを提案する。
本稿では,グローバルな問題と学習タスクのベンチマークにおいて,本手法の性能について述べる。
論文 参考訳(メタデータ) (2020-06-18T22:47:58Z) - Learning to be Global Optimizer [28.88646928299302]
いくつかのベンチマーク関数に対して最適なネットワークとエスケープ能力アルゴリズムを学習する。
学習したアルゴリズムは、よく知られた古典最適化アルゴリズムよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2020-03-10T03:46:25Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳(メタデータ) (2020-02-13T05:42:27Z)
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。