Fugu-MT 論文翻訳(概要): Efficient Transonic Aeroelastic Model Reduction Using Optimized Sparse Multi-Input Polynomial Functionals

論文の概要: Efficient Transonic Aeroelastic Model Reduction Using Optimized Sparse Multi-Input Polynomial Functionals

arxiv url: http://arxiv.org/abs/2408.16941v1
Date: Thu, 29 Aug 2024 23:36:10 GMT
ステータス: 処理完了
システム内更新日: 2024-09-02 16:49:05.165607
Title: Efficient Transonic Aeroelastic Model Reduction Using Optimized Sparse Multi-Input Polynomial Functionals
Title（参考訳）: 最適スパース多入力多項式関数を用いた高効率超音速エアロ弾性モデル削減
Authors: Michael Candon, Maciej Balajewicz, Arturo Delgado-Gutierrez, Pier Marzocca, Earl H. Dowell,
Abstract要約: 本稿では,コンパクトなマルチインプットボルテラ級数同定のための新しい定式化を提案する。このフレームワークは、Benchmark Super critical Wingを使って、強制応答、フラッター、リミットサイクルの発振を考慮して例示されている。単純かつ効率的なOSM-ROM(Optimal Sparsity Multi-Input ROM)フレームワークは,全次エアロ弾性モデルと比較して高精度に動作する。
参考スコア（独自算出の注目度）: 1.517355052203938
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nonlinear aeroelastic reduced-order models (ROMs) based on machine learning or artificial intelligence algorithms can be complex and computationally demanding to train, meaning that for practical aeroelastic applications, the conservative nature of linearization is often favored. Therefore, there is a requirement for novel nonlinear aeroelastic model reduction approaches that are accurate, simple and, most importantly, efficient to generate. This paper proposes a novel formulation for the identification of a compact multi-input Volterra series, where Orthogonal Matching Pursuit is used to obtain a set of optimally sparse nonlinear multi-input ROM coefficients from unsteady aerodynamic training data. The framework is exemplified using the Benchmark Supercritical Wing, considering; forced response, flutter and limit cycle oscillation. The simple and efficient Optimal Sparsity Multi-Input ROM (OSM-ROM) framework performs with high accuracy compared to the full-order aeroelastic model, requiring only a fraction of the tens-of-thousands of possible multi-input terms to be identified and allowing a 96% reduction in the number of training samples.
Abstract（参考訳）: 機械学習や人工知能アルゴリズムに基づく非線形エアロ弾性減階モデル(ROM)は、訓練に複雑で計算的に要求されるため、実用的なエアロ弾性応用においては、線形化の保守的な性質が好まれることが多い。そのため, 精度が高く, 簡便で, かつ, より効率的に生成できる新しい非線形エアロ弾性モデル削減手法が求められている。本稿では,非定常空力訓練データから最適にスパースな非線形多入力ROM係数の集合を得るためにオルソゴンマッチング法を用いて,コンパクトな多入力Volterra系列の同定のための新しい定式化を提案する。このフレームワークは、Benchmark Super critical Wingを使って、強制応答、フラッター、リミットサイクルの発振を考慮して例示されている。単純で効率的なマルチ入力ROM(OSM-ROM)フレームワークは、フルオーダーのエアロ弾性モデルと比較して高い精度で動作し、多入力項の数十分の1しか識別できず、トレーニングサンプルの数を96%削減できる。

関連論文リスト

AutoTurb: Using Large Language Models for Automatic Algebraic Model Discovery of Turbulence Closure [15.905369652489505]
本研究では,LLMを用いてレイノルズ応力モデルを修正するための表現を自動的に検出する新しいフレームワークを提案する。提案手法は,Re = 10,595 で周期的な丘を横断する流れを分離するためのものである。 The corrective RANS can improve the prediction for the Reynolds stress and mean velocity field。
論文参考訳（メタデータ） (2024-10-14T16:06:35Z)
RONAALP: Reduced-Order Nonlinear Approximation with Active Learning Procedure [0.0]
本稿では,アプリケーションが進行するにつれて,対象関数の低次サロゲートモデルを段階的に学習するronAALPアルゴリズムを提案する。 ronAALP を用いて低次熱力学モデルをオンザフライでシュロゲートし、そのシミュレーションのコストを最大75%削減し、関連する関心量に対して10%未満の誤差を維持した。
論文参考訳（メタデータ） (2023-11-17T14:32:43Z)
Surrogate Neural Networks for Efficient Simulation-based Trajectory Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文参考訳（メタデータ） (2023-03-30T15:44:30Z)
MILO: Model-Agnostic Subset Selection Framework for Efficient Model Training and Tuning [68.12870241637636]
モデル学習からサブセット選択を分離するモデルに依存しないサブセット選択フレームワークMILOを提案する。実験結果から、MILOはモデルを3ドル(約3,300円)でトレーニングし、ハイパーパラメータを20ドル(約2,300円)でチューニングできます。
論文参考訳（メタデータ） (2023-01-30T20:59:30Z)
Learning Sparse Nonlinear Dynamics via Mixed-Integer Optimization [3.7565501074323224]
分散整数最適化 (MIO) を用いたSINDyDy問題の厳密な定式化を提案し, 分散制約付き回帰問題を数秒で証明可能な最適性を求める。正確なモデル発見における我々のアプローチの劇的な改善について説明するとともに、よりサンプリング効率が高く、ノイズに耐性があり、物理的制約の緩和にも柔軟である。
論文参考訳（メタデータ） (2022-06-01T01:43:45Z)
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)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
論文参考訳（メタデータ） (2021-04-27T16:56:09Z)
Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文参考訳（メタデータ） (2021-01-28T15:10:22Z)
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)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。