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
- GaussianCube: Structuring Gaussian Splatting using Optimal Transport for 3D Generative Modeling [55.05713977022407]
3次元ガウス散乱(GS)は3次元適合率とレンダリング速度の点でニューラルレイディアンス場よりも大幅に改善されている。
散在したガウス群によるこの非構造表現は、生成的モデリングにとって重要な課題である。
本稿では,GaussianCubeについて紹介する。
論文 参考訳(メタデータ) (2024-03-28T17:59:50Z) - Spec-Gaussian: Anisotropic View-Dependent Appearance for 3D Gaussian
Splatting [57.80942520483354]
3D-GSはしばしば、特異成分と異方性成分を正確にモデル化するのに困難に直面する。
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Spec-Gaussianを導入する。
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。
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) - Training and Tuning Generative Neural Radiance Fields for
Attribute-Conditional 3D-Aware Face Generation [69.53142666853502]
GNeRF(Generative Neural Radiance Fields)をベースとした3次元GANは、高品質な画像を生成する際、顕著な能力を示した。
本稿では, 特定の属性ラベルを入力として組み込んだ条件付きGNeRFモデルを提案する。
論文 参考訳(メタデータ) (2022-08-26T10:05:39Z) - 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) - 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。