論文の概要: Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning
- arxiv url: http://arxiv.org/abs/2409.12711v1
- Date: Sat, 12 Oct 2024 10:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 13:45:42.545021
- Title: Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning
- Title（参考訳）: 物理埋め込み移動学習による翼の高速空力予測
- Authors: Yunjia Yang, Runze Li, Yufei Zhang, Lu Lu, Haixin Chen,
- Abstract要約: 機械学習モデルは、超音速旋回翼流場を迅速に取得する有望な方法を提供する。
モデルを効率的に学習するための物理組込み移動学習フレームワークを提案する。
データセットのサイズを減らすには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
- 参考スコア（独自算出の注目度）: 10.191783697332227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning-based models provide a promising way to rapidly acquire transonic swept wing flow fields but suffer from large computational costs in establishing training datasets. Here, we propose a physics-embedded transfer learning framework to efficiently train the model by leveraging the idea that a three-dimensional flow field around wings can be analyzed with two-dimensional flow fields around cross-sectional airfoils. An airfoil aerodynamics prediction model is pretrained with airfoil samples. Then, an airfoil-to-wing transfer model is fine-tuned with a few wing samples to predict three-dimensional flow fields based on two-dimensional results on each spanwise cross section. Sweep theory is embedded when determining the corresponding airfoil geometry and operating conditions, and to obtain the sectional airfoil lift coefficient, which is one of the operating conditions, the low-fidelity vortex lattice method and data-driven methods are proposed and evaluated. Compared to a nontransfer model, introducing the pretrained model reduces the error by 30%, while introducing sweep theory further reduces the error by 9%. When reducing the dataset size, less than half of the wing training samples are need to reach the same error level as the nontransfer framework, which makes establishing the model much easier.
- Abstract（参考訳）: 機械学習ベースのモデルは、超音速旋回翼の流れ場を迅速に取得する有望な方法を提供するが、トレーニングデータセットを確立する上で大きな計算コストに悩まされている。
本稿では,翼まわりの3次元流れ場を断面翼まわりの2次元流れ場で解析できるという考えを生かして,モデルを効率的に訓練する物理埋め込み移動学習フレームワークを提案する。
エアフォイルの空気力学予測モデルは、エアフォイルのサンプルで事前訓練される。
そして、翼間移動モデルに数個の翼サンプルを微調整し、各断面の2次元結果に基づいて3次元流れ場を予測する。
対応する翼形状と動作条件を決定する際には,スイープ理論が組み込まれ,動作条件の一つである断面翼リフト係数,低忠実渦格子法,およびデータ駆動法が提案され,評価されている。
非参照モデルと比較して、事前訓練されたモデルの導入はエラーを30%削減する一方、スイープ理論の導入はエラーをさらに9%削減する。
データセットのサイズを減らすためには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
関連論文リスト
- Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。
このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。
また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
論文 参考訳（メタデータ） (2024-10-13T05:03:16Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。
提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。
顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文 参考訳（メタデータ） (2024-07-29T11:48:44Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Inferring Traffic Models in Terminal Airspace from Flight Tracks and
Procedures [52.25258289718559]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。
任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
論文 参考訳（メタデータ） (2023-03-17T13:58:06Z) - Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils [25.546237636065182]
攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
論文 参考訳（メタデータ） (2023-03-06T02:47:31Z) - FairIF: Boosting Fairness in Deep Learning via Influence Functions with
Validation Set Sensitive Attributes [51.02407217197623]
本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。
サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。
FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T05:14:48Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Embedded training of neural-network sub-grid-scale turbulence models [0.0]
ディープニューラルネットワークモデルの重みは、制御フロー方程式と共に最適化され、サブグリッドスケールの応力のモデルを提供する。
トレーニングは勾配降下法で行われ、随伴ナビエ-ストークス方程式を用いてモデル重みのエンドツーエンドの感度を速度場に与える。
論文 参考訳（メタデータ） (2021-05-03T17:28:39Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
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。