論文の概要: Enhanced Data-driven Topology Design Methodology with Multi-level Mesh and Correlation-based Mutation for Stress-related Multi-objective Optimization
- arxiv url: http://arxiv.org/abs/2504.14790v1
- Date: Mon, 21 Apr 2025 01:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 20:06:43.201396
- Title: Enhanced Data-driven Topology Design Methodology with Multi-level Mesh and Correlation-based Mutation for Stress-related Multi-objective Optimization
- Title（参考訳）: 応力関連多目的最適化のためのマルチレベルメッシュと相関に基づく変異を用いたデータ駆動トポロジー設計手法の強化
- Authors: Jun Yang, Shintaro Yamasaki,
- Abstract要約: 感度フリーなデータ駆動トポロジ設計(DDTD)手法は,これらの問題を克服する有効な手段であると考えられる。
本研究では,相関型突然変異モジュールを用いたマルチレベルメッシュDDTD法を提案する。
提案手法は、特定のデータセットの構築に時間を要することなく、低品質の初期データセットによって駆動することができる。
- 参考スコア（独自算出の注目度）: 2.9304381683255945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topology optimization (TO) serves as a widely applied structural design approach to tackle various engineering problems. Nevertheless, sensitivity-based TO methods usually struggle with solving strongly nonlinear optimization problems. By leveraging high capacity of deep generative model, which is an influential machine learning technique, the sensitivity-free data-driven topology design (DDTD) methodology is regarded as an effective means of overcoming these issues. The DDTD methodology depends on initial dataset with a certain regularity, making its results highly sensitive to initial dataset quality. This limits its effectiveness and generalizability, especially for optimization problems without priori information. In this research, we proposed a multi-level mesh DDTD-based method with correlation-based mutation module to escape from the limitation of the quality of the initial dataset on the results and enhance computational efficiency. The core is to employ a correlation-based mutation module to assign new geometric features with physical meaning to the generated data, while utilizing a multi-level mesh strategy to progressively enhance the refinement of the structural representation, thus avoiding the maintenance of a high degree-of-freedom (DOF) representation throughout the iterative process. The proposed multi-level mesh DDTD-based method can be driven by a low quality initial dataset without the need for time-consuming construction of a specific dataset, thus significantly increasing generality and reducing application difficulty, while further lowering computational cost of DDTD methodology. Various comparison experiments with the traditional sensitivity-based TO methods on stress-related strongly nonlinear problems demonstrate the generality and effectiveness of the proposed method.
- Abstract（参考訳）: トポロジー最適化(TO)は、様々な工学的問題に取り組むために広く応用された構造設計手法である。
しかしながら、感度に基づくTO法は通常、強い非線形最適化問題を解くのに苦労する。
機械学習手法である深層生成モデルの高容量化により、感度のないデータ駆動トポロジ設計(DDTD)手法がこれらの問題を克服する有効な手段とみなされる。
DDTDの方法論は一定の規則性を持つ初期データセットに依存しており、その結果は初期データセットの品質に非常に敏感である。
これは、特に事前情報を持たない最適化問題に対して、その有効性と一般化可能性を制限する。
本研究では, 相関型突然変異モジュールを用いたマルチレベルメッシュDDTD法を提案し, 結果に対する初期データセットの品質制限を回避し, 計算効率を向上させる。
その中核となるのは、相関ベースの突然変異モジュールを使用して、生成したデータに新しい幾何学的特徴を物理的に割り当て、マルチレベルメッシュ戦略を利用して、構造表現の洗練を段階的に促進し、反復的プロセス全体を通して高い自由度(DOF)表現の維持を回避することである。
提案したマルチレベルメッシュDDTDベースの手法は、特定のデータセットの構築に時間を要することなく、低品質の初期データセットによって駆動することができるため、汎用性を大幅に向上し、アプリケーションの難易度を低減し、さらにDDTD手法の計算コストを低減できる。
応力関係の強い非線形問題に対する従来の感度に基づくTO法との比較実験により,提案手法の汎用性と有効性を示した。
関連論文リスト
- Outlier-aware Tensor Robust Principal Component Analysis with Self-guided Data Augmentation [21.981038455329013]
適応重み付けを用いた自己誘導型データ拡張手法を提案する。
本研究では,最先端手法と比較して精度と計算効率の両面での改善を示す。
論文 参考訳（メタデータ） (2025-04-25T13:03:35Z) - Generalized Tensor-based Parameter-Efficient Fine-Tuning via Lie Group Transformations [50.010924231754856]
さまざまな下流タスクに事前訓練された基礎モデルを適用することは、人工知能のコアプラクティスである。
これを解決するために、LoRAのようなパラメータ効率細調整(PEFT)手法が登場し、研究の焦点となっている。
本稿では,行列型PEFT法を高次元パラメータ空間に拡張する一般化法を提案する。
論文 参考訳（メタデータ） (2025-04-01T14:36:45Z) - Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。
この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。
本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。
ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
論文 参考訳（メタデータ） (2024-09-17T19:59:57Z) - Data-driven topology design based on principal component analysis for 3D structural design problems [2.60738386740388]
データ駆動トポロジ設計(DDTD)手法は,この問題に対する効果的な解決策と考えられる。
両者の対立を解決するために,主成分分析(PCA)に基づくDDTDを提案する。
提案したPCAベースのDDTDの有効性と実用性を示すために,種々の実験を行った。
論文 参考訳（メタデータ） (2024-09-03T04:56:28Z) - Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
本稿では,既存のMTL手法の効率性に焦点をあてる。
バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。
また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
論文 参考訳（メタデータ） (2024-02-05T22:15:55Z) - A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。
提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。
適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
論文 参考訳（メタデータ） (2023-12-12T19:23:54Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Detection of Anomalies in Multivariate Time Series Using Ensemble
Techniques [3.2422067155309806]
最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。
また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。
異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
論文 参考訳（メタデータ） (2023-08-06T17:51:22Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - SDA: Improving Text Generation with Self Data Augmentation [88.24594090105899]
自動データ拡張のための自己模倣学習フェーズを組み込むことにより,標準最大確率推定(MLE)パラダイムを改善することを提案する。
既存の文レベルの拡張戦略とは異なり,本手法はより汎用的で,任意のMLEベースの訓練手順に容易に適応できる。
論文 参考訳（メタデータ） (2021-01-02T01:15:57Z)
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。