論文の概要: NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning

• arxiv url: http://arxiv.org/abs/2503.16323v1
• Date: Thu, 20 Mar 2025 16:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 22:26:58.728573
• Title: NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning
• Title（参考訳）: NeuralFoil: 物理インフォームド機械学習を用いた航空機空力解析ツール
• Authors: Peter Sharpe, R. John Hansman,
• Abstract要約: NeuralFoilは、翼の高速空気力学解析のためのオープンソースのツールである。 広義の入力空間上で、大域的および局所的な量を計算する。 結果はXFoilと密接に一致している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: NeuralFoil is an open-source Python-based tool for rapid aerodynamics analysis of airfoils, similar in purpose to XFoil. Speedups ranging from 8x to 1,000x over XFoil are demonstrated, after controlling for equivalent accuracy. NeuralFoil computes both global and local quantities (lift, drag, velocity distribution, etc.) over a broad input space, including: an 18-dimensional space of airfoil shapes, possibly including control deflections; a 360 degree range of angles of attack; Reynolds numbers from $10^2$ to $10^{10}$; subsonic flows up to the transonic drag rise; and with varying turbulence parameters. Results match those of XFoil closely: the mean relative error of drag is 0.37% on simple cases, and remains as low as 2.0% on a test dataset with numerous post-stall and transitional cases. NeuralFoil facilitates gradient-based design optimization, due to its $C^\infty$-continuous solutions, automatic-differentiation-compatibility, and bounded computational cost without non-convergence issues. NeuralFoil is a hybrid of physics-informed machine learning techniques and analytical models. Here, physics information includes symmetries that are structurally embedded into the model architecture, feature engineering using domain knowledge, and guaranteed extrapolation to known limit cases. This work also introduces a new approach for surrogate model uncertainty quantification that enables robust design optimization. This work discusses the methodology and performance of NeuralFoil with several case studies, including a practical airfoil design optimization study including both aerodynamic and non-aerodynamic constraints. Here, NeuralFoil optimization is able to produce airfoils nearly identical in performance and shape to expert-designed airfoils within seconds; these computationally-optimized airfoils provide a useful starting point for further expert refinement.
• Abstract（参考訳）: NeuralFoilはPythonベースのオープンソースツールで,XFoilと同じように翼の高速空力解析を行う。 XFoil上の8倍から1000倍までのスピードアップが、等価な精度で制御された後に示された。 NeuralFoilは、制御偏向を含む18次元の翼形状の空間、攻撃の角度の360度の範囲、Reynoldsの数値は10^2$から10^{10}$、亜音速は超音速のドラッグ上昇まで、そして様々な乱流パラメータを含む、広い入力空間において、大域的および局所的な量(リフト、ドラッグ、速度分布等)を計算している。 結果はXFoilと密接に一致している: ドラッグの平均相対誤差は単純なケースでは0.37%であり、多くのポストストールおよびトランザクショナルケースを持つテストデータセットでは2.0%以下である。 NeuralFoilは、C^\infty$-continuous Solution、自動微分互換性、非収束問題のない有界計算コストなどにより、勾配に基づく設計の最適化を容易にする。 NeuralFoilは物理インフォームド機械学習技術と分析モデルのハイブリッドである。 ここでは、物理情報には、モデルアーキテクチャに構造的に埋め込まれた対称性、ドメイン知識を用いた特徴工学、既知の極限ケースに対する補間を保証する。 この研究は、ロバストな設計最適化を可能にするモデル不確実性定量化のための新しいアプローチも導入した。 本研究では,空気力学的制約と非空気力学的制約を含む実用的翼設計最適化研究を含む,いくつかのケーススタディでNeuralFoilの方法論と性能について論じる。 ここでは、NeuralFoilの最適化により、専門家が設計した翼とほぼ同等の性能と形状を数秒で生成することができる。

関連論文リスト

• FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
  本稿ではFuncGenFoilについて紹介する。FuncGenFoilは機能翼測地を直接学習する関数空間生成モデルである。 AFBenchデータセットの実験的評価は、FuncGenFoilが翼の生成における最先端の手法を改善することを示した。
  論文  参考訳（メタデータ） (2025-02-15T07:56:58Z)
• Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning [10.191783697332227]
  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。
  論文  参考訳（メタデータ） (2024-09-19T12:35:59Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics [0.5018156030818882]
  本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。 我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。 条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
  論文  参考訳（メタデータ） (2023-05-28T09:46:18Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• 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)
• 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)

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。