論文の概要: A Pioneering Neural Network Method for Efficient and Robust Fuel Sloshing Simulation in Aircraft

• arxiv url: http://arxiv.org/abs/2412.10748v1
• Date: Sat, 14 Dec 2024 08:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:07.266814
• Title: A Pioneering Neural Network Method for Efficient and Robust Fuel Sloshing Simulation in Aircraft
• Title（参考訳）: 航空機における効率良くロバストな燃料スロッシングシミュレーションのためのパイオニアニューラルネットワーク手法
• Authors: Yu Chen, Shuai Zheng, Nianyi Wang, Menglong Jin, Yan Chang,
• Abstract要約: 本研究では,航空機における燃料スロッシングのシミュレーションを目的とした,最初のニューラルネットワーク手法を提案する。 このモデルは、そのような複雑なシナリオで流体粒子力学を安定にモデル化できる最初のモデルでもある。 我々は、航空機の燃料表面スロッシングのための最初のデータセットであるFueltankデータセットを構築した。
• 参考スコア（独自算出の注目度）: 4.694954114339147
• License:
• Abstract: Simulating fuel sloshing within aircraft tanks during flight is crucial for aircraft safety research. Traditional methods based on Navier-Stokes equations are computationally expensive. In this paper, we treat fluid motion as point cloud transformation and propose the first neural network method specifically designed for simulating fuel sloshing in aircraft. This model is also the deep learning model that is the first to be capable of stably modeling fluid particle dynamics in such complex scenarios. Our triangle feature fusion design achieves an optimal balance among fluid dynamics modeling, momentum conservation constraints, and global stability control. Additionally, we constructed the Fueltank dataset, the first dataset for aircraft fuel surface sloshing. It comprises 320,000 frames across four typical tank types and covers a wide range of flight maneuvers, including multi-directional rotations. We conducted comprehensive experiments on both our dataset and the take-off scenario of the aircraft. Compared to existing neural network-based fluid simulation algorithms, we significantly enhanced accuracy while maintaining high computational speed. Compared to traditional SPH methods, our speed improved approximately 10 times. Furthermore, compared to traditional fluid simulation software such as Flow3D, our computation speed increased by more than 300 times.
• Abstract（参考訳）: 飛行中の航空機タンク内の燃料スロッシングのシミュレーションは、航空機の安全研究に不可欠である。 Navier-Stokes方程式に基づく従来の手法は計算に高価である。 本稿では,流体運動を点雲変換として扱うとともに,航空機における燃料スロッシングのシミュレーションに特化して設計された,最初のニューラルネットワーク手法を提案する。 このモデルはまた、このような複雑なシナリオで流体粒子力学を安定にモデル化できる最初のディープラーニングモデルである。 我々は, 流体力学モデリング, 運動量保存制約, 大域的安定性制御において, 最適バランスを実現する。 さらに,航空機の燃料表面スロッシングのための最初のデータセットであるFueltankデータセットを構築した。 典型的な4つの戦車種にまたがる320,000フレームで構成され、多方向回転を含む幅広い飛行操作をカバーしている。 航空機のデータセットと離陸シナリオの両方について総合的な実験を行った。 既存のニューラルネットワークに基づく流体シミュレーションアルゴリズムと比較して、高速な計算速度を維持しながら精度を大幅に向上させた。 従来のSPH法と比較して, 速度は10倍に向上した。 さらに,Flow3Dのような従来の流体シミュレーションソフトウェアと比較して,計算速度は300倍以上に向上した。

関連論文リスト

• GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
  GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。 ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
  本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。 基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
  論文  参考訳（メタデータ） (2024-12-18T14:39:43Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Fast Aquatic Swimmer Optimization with Differentiable Projective Dynamics and Neural Network Hydrodynamic Models [23.480913364381664]
  水面移動(Aquatic locomotion)は、生物学者や技術者が関心を持つ古典的な流体構造相互作用(FSI)問題である。 本研究では, 変形可能なスイマーの固体構造に対する2次元数値シミュレーションを組み合わせた, FSI に完全微分可能な新しいハイブリッド手法を提案する。 2次元キャランギフォームスイマーにおけるハイブリッドシミュレータの計算効率と微分性を示す。
  論文  参考訳（メタデータ） (2022-03-30T15:21:44Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Teaching the Incompressible Navier-Stokes Equations to Fast Neural Surrogate Models in 3D [4.981834139548193]
  本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。 2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。 提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
  論文  参考訳（メタデータ） (2020-12-22T09:21:40Z)
• Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation [9.576796509480445]
  モデル生成とアプリケーションを自動化するフレームワークであるSmartfluidnetを紹介します。 Smartfluidnetはシミュレーションの前に複数のニューラルネットワークを生成し、実行時間とシミュレーション品質要件を満たす。 We show that Smartfluidnet achieve a 1.46x and 590x speedup compared with a state-of-the-art neural network model and the original fluid Simulation。
  論文  参考訳（メタデータ） (2020-08-26T21:44:44Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。