論文の概要: Inverse Design of Optimal Stern Shape with Convolutional Neural Network-based Pressure Distribution
- arxiv url: http://arxiv.org/abs/2501.03286v1
- Date: Mon, 06 Jan 2025 04:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:46:18.519553
- Title: Inverse Design of Optimal Stern Shape with Convolutional Neural Network-based Pressure Distribution
- Title（参考訳）: 畳み込みニューラルネットワークによる圧力分布を考慮した最適船尾形状の逆設計
- Authors: Sang-jin Oh, Ju Young Kang, Kyungryeong Pak, Heejung Kim, Sung-chul Shin,
- Abstract要約: 本稿では,深層学習を用いて船尾形状を推定する逆設計アルゴリズムを提案する。
畳み込みニューラルネットワークを用いて、輪郭として表現された圧力分布の特徴を抽出した。
マルチタスク学習モデルを用いて、船尾形状の様々なセクションを推定した。
- 参考スコア（独自算出の注目度）: 0.9087641068861044
- License:
- Abstract: Hull form designing is an iterative process wherein the performance of the hull form needs to be checked via computational fluid dynamics calculations or model experiments. The stern shape has to undergo a process wherein the hull form variations from the pressure distribution analysis results are repeated until the resistance and propulsion efficiency meet the design requirements. In this study, the designer designed a pressure distribution that meets the design requirements; this paper proposes an inverse design algorithm that estimates the stern shape using deep learning. A convolutional neural network was used to extract the features of the pressure distribution expressed as a contour, whereas a multi-task learning model was used to estimate various sections of the stern shape. We estimated the stern shape indirectly by estimating the control point of the B-spline and comparing the actual and converted offsets for each section; the performance was verified, and an inverse design is proposed herein
- Abstract（参考訳）: ハルフォーム設計は、計算流体力学計算やモデル実験を通じて船体形状の性能を確認する必要がある反復的なプロセスである。
船尾形状は、圧力分布解析結果から船体形状のばらつきを繰り返して、抵抗と推進効率が設計要求を満たすまで行う必要がある。
本研究では,設計者が設計要件を満たす圧力分布を設計し,深層学習を用いて船尾形状を推定する逆設計アルゴリズムを提案する。
畳み込みニューラルネットワークを用いて、輪郭として表現される圧力分布の特徴を抽出し、マルチタスク学習モデルを用いて、船尾形状の様々なセクションを推定した。
我々は,B-スプラインの制御点を推定し,各区間の実際のオフセットと変換されたオフセットを比較して,船尾形状を間接的に推定し,その性能を検証し,逆設計を提案する。
関連論文リスト
- Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳（メタデータ） (2024-05-27T00:11:53Z) - 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) - Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and
Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文 参考訳（メタデータ） (2023-02-01T02:47:53Z) - A Fully-Automated Framework Integrating Gaussian Process Regression and
Bayesian Optimization to Design Pin-Fins [0.0]
本稿では,低圧力損失を実現するインラインピン設計のためのベイズ最適化手法を提案する。
ピンフィン形状は2次元の破片方向の立方体スプラインを用いて定義される。
流れ中の圧力降下を計算する計算流体力学に基づくモデルを開発した。
論文 参考訳（メタデータ） (2023-01-30T17:52:08Z) - Surrogate-Assisted Evolutionary Generative Design Of Breakwaters Using
Deep Convolutional Networks [0.0]
そこで本研究では,沿岸域の高速かつ効果的な生成設計のための多目的進化的サロゲート支援手法を提案する。
計算コストのかかる目的関数を近似するために、深部畳み込みニューラルネットワークが代理モデルとして使用される。
実験結果から,提案手法により,非代理手法よりも効率的な(より優れた保護特性を持つコストの低い)ソリューションを同時に得られることが確認された。
論文 参考訳（メタデータ） (2022-04-07T12:37:40Z) - Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。
純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。
また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-29T14:42:03Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Sample and Computationally Efficient Stochastic Kriging in High
Dimensions [25.162630846306868]
我々は、次元の呪いを劇的に緩和する新しい方法論を開発する。
提案手法のサンプル複雑性は, モデルミススペクテーションの下でも, 次元においてわずかにしか増加しないことを示す。
また、近似スキームを使わずに正確な形状のクリグを計算できる高速アルゴリズムも開発している。
論文 参考訳（メタデータ） (2020-10-14T04:10:07Z) - Predicting the flow field in a U-bend with deep neural networks [0.0]
本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。
この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
論文 参考訳（メタデータ） (2020-10-01T09:03:02Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z)
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。