論文の概要: Accelerated Airfoil Design Using Neural Network Approaches

• arxiv url: http://arxiv.org/abs/2503.24052v1
• Date: Mon, 31 Mar 2025 13:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:32:27.004776
• Title: Accelerated Airfoil Design Using Neural Network Approaches
• Title（参考訳）: ニューラルネットワークを用いた加速翼設計
• Authors: Anantram Patel, Nikhil Mogre, Mandar Mane, Jayavardhan Reddy Enumula, Vijay Kumar Sutrakar,
• Abstract要約: 目標圧力分布(吸気面と圧力面)から翼形状を予測し,その逆を実証する。 1600の翼形状のデータセットが生成されます 入力/出力パラメータに依存する5つの異なるCNNモデルとDNNモデルを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, prediction of airfoil shape from targeted pressure distribution (suction and pressure sides) and vice versa is demonstrated using both Convolutional Neural Networks (CNNs) and Deep Neural Networks (DNNs) techniques. The dataset is generated for 1600 airfoil shapes, with simulations carried out at Reynolds numbers (Re) ranging from 10,000 and 90,00,000 and angles of attack (AoA) ranging from 0 to 15 degrees, ensuring the dataset captured diverse aerodynamic conditions. Five different CNN and DNN models are developed depending on the input/output parameters. Results demonstrate that the refined models exhibit improved efficiency, with the DNN model achieving a multi-fold reduction in training time compared to the CNN model for complex datasets consisting of varying airfoil, Re, and AoA. The predicted airfoil shapes/pressure distribution closely match the targeted values, validating the effectiveness of deep learning frameworks. However, the performance of CNN models is found to be better compared to DNN models. Lastly, a flying wing aircraft model of wingspan >10 m is considered for the prediction of pressure distribution along the chordwise. The proposed CNN and DNN models show promising results. This research underscores the potential of deep learning models accelerating aerodynamic optimization and advancing the design of high-performance airfoils.
• Abstract（参考訳）: 本稿では、目標圧力分布(吸引側と圧力側)から翼形状を予測し、その逆も畳み込みニューラルネットワーク(CNN)とディープニューラルネットワーク(DNN)の両方を用いて示す。 データセットは1600の翼形状に対して生成され、レイノルズ数(Re)は1万から90,00,000、攻撃角度(AoA)は0から15度の範囲で行われ、このデータセットは様々な空力条件を捕捉する。 入力/出力パラメータに依存する5つの異なるCNNモデルとDNNモデルを開発する。 その結果、改良されたモデルは効率が向上し、DNNモデルは、様々な翼、Re、AoAからなる複雑なデータセットに対するCNNモデルと比較して、訓練時間を多倍に短縮した。 予測された翼形状/圧力分布は,対象値と密に一致し,ディープラーニングフレームワークの有効性を検証した。 しかし、CNNモデルの性能はDNNモデルよりも優れていることが判明した。 最後に, 翼幅10mの翼翼航空機モデルについて, 弦方向の圧力分布の予測について検討した。 提案したCNNモデルとDNNモデルは有望な結果を示す。 本研究は, 空力最適化を加速し, 高性能翼の設計を推し進める深層学習モデルの可能性を明らかにするものである。

関連論文リスト

• Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
  陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。 観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。 我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、過去の流れの測定を用いて検証する。
  論文  参考訳（メタデータ） (2024-04-22T14:21:37Z)
• Enhancing Deep Neural Network Training Efficiency and Performance through Linear Prediction [0.0]
  ディープニューラルネットワーク(DNN)は、コンピュータビジョンや自然言語処理など、さまざまな分野で大きな成功を収めている。 本稿では,DNNの学習効率を最適化する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T03:11:30Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。 トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。 本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
  論文  参考訳（メタデータ） (2021-08-30T06:09:02Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Wind speed prediction using multidimensional convolutional neural networks [5.228711636020665]
  本稿では,風速予測タスクのための畳み込みニューラルネットワーク(CNN)に基づくモデルを提案する。 従来のCNNモデルと比較して,提案モデルでは風速データより優れた特徴付けが可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-04T20:48:41Z)
• A deep convolutional neural network model for rapid prediction of fluvial flood inundation [0.0]
  深部畳み込み型ニューラルネットワーク (CNN) を用いて, フラビアル・フラッド・インダクションの迅速予測を行う。 CNNモデルは2次元油圧モデル(LISFLOOD-FP)からの出力を用いて、水深を予測する。 CNNモデルは、いくつかの定量的評価行列によって示されるように、浸水した細胞を捕捉するのに非常に正確である。
  論文  参考訳（メタデータ） (2020-06-20T11:37:54Z)

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。