論文の概要: Tailoring Generative Adversarial Networks for Smooth Airfoil Design

• arxiv url: http://arxiv.org/abs/2404.11816v1
• Date: Thu, 18 Apr 2024 00:26:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 19:50:54.526084
• Title: Tailoring Generative Adversarial Networks for Smooth Airfoil Design
• Title（参考訳）: スムースエアフォイル設計のための生成的対向ネットワークの試作
• Authors: Joyjit Chattoraj, Jian Cheng Wong, Zhang Zexuan, Manna Dai, Xia Yingzhi, Li Jichao, Xu Xinxing, Ooi Chin Chun, Yang Feng, Dao My Ha, Liu Yong,
• Abstract要約: Generative Adversarial Network (GAN) は、翼の設計を合成するための道具である。 GANの一般的な制限は、生成された翼面の滑らかさの固有の欠如である。 本稿では, シームレスに構成された航空機翼の設計を行うために, カスタマイズされた損失関数を特徴とするGANモデルを提案する。
• 参考スコア（独自算出の注目度）: 8.488613216624591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of aerospace design, achieving smooth curves is paramount, particularly when crafting objects such as airfoils. Generative Adversarial Network (GAN), a widely employed generative AI technique, has proven instrumental in synthesizing airfoil designs. However, a common limitation of GAN is the inherent lack of smoothness in the generated airfoil surfaces. To address this issue, we present a GAN model featuring a customized loss function built to produce seamlessly contoured airfoil designs. Additionally, our model demonstrates a substantial increase in design diversity compared to a conventional GAN augmented with a post-processing smoothing filter.
• Abstract（参考訳）: 航空宇宙設計の分野では、特に翼のような物体を作る場合、滑らかな曲線を達成することが最重要である。 汎用AI技術であるGAN(Generative Adversarial Network)は、翼の設計を合成するための道具であることが証明されている。 しかし、GANの共通的な制限は、生成された翼面の滑らかさの固有の欠如である。 この問題に対処するために,シームレスに整合した翼を設計するためのカスタマイズされた損失関数を備えたGANモデルを提案する。 さらに,本モデルでは,ポストプロセッシングスムースティングフィルタを付加した従来のGANに比べて,設計の多様性が著しく向上していることを示す。

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)
• Frequency-aware Feature Fusion for Dense Image Prediction [99.85757278772262]
  本稿では,高密度画像予測のための周波数認識機能融合(FreqFusion)を提案する。 FreqFusionは、Adaptive Low-Pass Filter (ALPF) ジェネレータ、オフセットジェネレータ、Adaptive High-Pass Filter (AHPF) ジェネレータを統合する。 包括的可視化と定量的分析は、FreqFusionが機能一貫性を効果的に改善し、オブジェクト境界を鋭くすることを示している。
  論文  参考訳（メタデータ） (2024-08-23T07:30:34Z)
• Spec-Gaussian: Anisotropic View-Dependent Appearance for 3D Gaussian Splatting [55.71424195454963]
  Spec-Gaussian は球面調和の代わりに異方性球面ガウス場を利用するアプローチである。 実験結果から,本手法はレンダリング品質の面で既存の手法を超越していることが示された。 この改良は、3D GSの適用性を高めて、特異面と異方面の複雑なシナリオを扱う。
  論文  参考訳（メタデータ） (2024-02-24T17:22:15Z)
• 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)
• Nonparametric Generative Modeling with Conditional Sliced-Wasserstein Flows [101.31862036510701]
  SWF(Sliced-Wasserstein Flow)は、非パラメトリックな生成モデルに対する有望なアプローチであるが、その最適な生成品質と条件付きモデリング能力の欠如により広く採用されていない。 本研究では,SWF の簡易かつ効果的な拡張である条件付きスライス・ワッサースタインフロー (CSWF) を提案する。
  論文  参考訳（メタデータ） (2023-05-03T14:55:43Z)
• PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design [10.50166876879424]
  我々はPcDGAN(Performance Conditioned Diverse Generative Adversarial Network)を紹介する。 PcDGANは新しい自己強化スコアである Lambert Log Exponential Transition Score (LLETS) を使用して条件付けを改善する。 合成問題と実世界の翼設計に関する実験は、PcDGANが最先端のGANモデルより優れていることを示した。
  論文  参考訳（メタデータ） (2021-06-07T13:45:12Z)
• 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)
• SWAGAN: A Style-based Wavelet-driven Generative Model [45.31551926562387]
  Style and WAvelet based GAN (SWAGAN) は周波数領域のプログレッシブ生成を実装している。 SWAGANは、ジェネレータと識別器アーキテクチャ全体を通してウェーブレットを組み込み、各ステップで周波数対応の潜在表現を強制する。
  論文  参考訳（メタデータ） (2021-02-11T16:43:10Z)
• 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)
• PaDGAN: A Generative Adversarial Network for Performance Augmented Diverse Designs [13.866787416457454]
  本研究では, 優れた設計空間を網羅した新規な高品質な設計を創出可能な, 高性能拡張多言語生成ネットワーク(Performance Augmented Diverse Generative Adversarial Network) または PaDGAN を開発した。 バニラ生成適応ネットワークと比較して、平均的な平均品質スコアが28%高く、多様性が大きく、モード崩壊の問題がないサンプルを生成する。
  論文  参考訳（メタデータ） (2020-02-26T04:53:39Z)

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。