論文の概要: Benchmarking machine learning models for predicting aerofoil performance
- arxiv url: http://arxiv.org/abs/2504.15993v1
- Date: Tue, 22 Apr 2025 15:54:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 17:33:04.74332
- Title: Benchmarking machine learning models for predicting aerofoil performance
- Title（参考訳）: エアロフォイル性能予測のための機械学習モデルのベンチマーク
- Authors: Oliver Summerell, Gerardo Aragon-Camarasa, Stephanie Ordonez Sanchez,
- Abstract要約: 本稿では,風力・潮流エネルギー産業におけるエアロフォイルの性能を解析するための従来の手法の代替としてニューラルネットワーク(NN)の有用性について検討する。
本研究では,4つのニューラルネットワーク(MLP,PointNet,GraphSAGE,GUNet)を攻撃角度25角の範囲で訓練し,流体流とリフト係数を予測する。
- 参考スコア（独自算出の注目度）: 2.0277446818410994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the capability of Neural Networks (NNs) as alternatives to the traditional methods to analyse the performance of aerofoils used in the wind and tidal energy industry. The current methods used to assess the characteristic lift and drag coefficients include Computational Fluid Dynamics (CFD), thin aerofoil and panel methods, all face trade-offs between computational speed and the accuracy of the results and as such NNs have been investigated as an alternative with the aim that it would perform both quickly and accurately. As such, this paper provides a benchmark for the windAI_bench dataset published by the National Renewable Energy Laboratory (NREL) in the USA. In order to validate the methodology of the benchmarking, the AirfRANS {\tt arXiv:2212.07564v3} dataset is used as both a starting point and a point of comparison. This study evaluates four neural networks (MLP, PointNet, GraphSAGE, GUNet) trained on a range aerofoils at 25 angles of attack (4$^\circ$ to 20$^\circ$). to predict fluid flow and calculate lift coefficients ($C_L$) via the panel method. GraphSAGE and GUNet performed well during the testing phase, but underperformed during validation. Accordingly, this paper has identified PointNet and MLP as the two strongest models tested, however whilst the results from MLP are more commonly correct for predicting the behaviour of the fluid, the results from PointNet provide the more accurate results for calculating $C_L$.
- Abstract（参考訳）: 本稿では,風力・潮流エネルギー産業におけるエアロフォイルの性能を解析するための従来の手法の代替としてニューラルネットワーク(NN)の有用性について検討する。
現在, 数値流体力学 (CFD) , 薄型翼, パネル法, 計算速度と結果の精度のトレードオフについて検討しており, NNは高速かつ高精度に動作するための代替手段として検討されている。
そこで本稿では,米国国立再生可能エネルギー研究所 (NREL) が発行する WindAI_bench データセットのベンチマークを行う。
ベンチマークの方法論を検証するために、AirfRANS {\tt arXiv:2212.07564v3}データセットを出発点と比較点の両方として使用する。
本研究では,4つのニューラルネットワーク (MLP, PointNet, GraphSAGE, GUNet) を25角(4$^\circ$から20$^\circ$)の範囲で訓練した。
パネル法による流動予測と昇降係数(C_L$)の算出を行う。
GraphSAGEとGUNetはテストフェーズでは良好に動作したが、バリデーションでは性能が低かった。
そこで本研究では,2つの最強モデルとして PointNet と MLP を同定するが,MLP の結果は流体の挙動を予測するためにより一般的に正しいが,PointNet の結果はより正確な$C_L$ の計算結果を提供する。
関連論文リスト
- LeYOLO, New Scalable and Efficient CNN Architecture for Object Detection [0.0]
FLOPに基づく効率的な物体検出のためのニューラルネットワークアーキテクチャの設計選択に着目する。
そこで本研究では,YOLOモデルの有効性を高めるために,いくつかの最適化手法を提案する。
本稿では、オブジェクト検出のための新しいスケーリングパラダイムと、LeYOLOと呼ばれるYOLO中心のモデルに寄与する。
論文 参考訳（メタデータ） (2024-06-20T12:08:24Z) - Uncovering the Hidden Cost of Model Compression [43.62624133952414]
視覚プロンプティングは、コンピュータビジョンにおける伝達学習の重要な方法として登場した。
モデル圧縮は視覚的プロンプトベース転送の性能に有害である。
しかし、量子化によってモデルが圧縮されるとき、キャリブレーションに対する負の効果は存在しない。
論文 参考訳（メタデータ） (2023-08-29T01:47:49Z) - Revisiting Random Forests in a Comparative Evaluation of Graph
Convolutional Neural Network Variants for Traffic Prediction [15.248412426672694]
グラフ畳み込みニューラルネットワーク(GCNN)が交通予測の文献において主流となっている。
本稿では,GCNN予測モデルの成功要素を分類し,その性能に及ぼす因子化,注意機構,体重共有の影響を解析する。
論文 参考訳（メタデータ） (2023-05-30T00:50:51Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Entropy Induced Pruning Framework for Convolutional Neural Networks [30.89967076857665]
本稿では,各フィルタの重要性を測定するために,平均フィルタ情報エントロピー (AFIE) という指標を提案する。
提案手法は,元のモデルが十分に訓練されているかどうかに関わらず,各フィルタの安定性を評価できる。
論文 参考訳（メタデータ） (2022-08-13T14:35:08Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳（メタデータ） (2022-03-23T06:24:31Z) - Integration of neural network and fuzzy logic decision making compared
with bilayered neural network in the simulation of daily dew point
temperature [0.8808021343665321]
ドウ点温度(DPT)は、データ駆動方式を用いてシミュレートされる。
アーキテクチャのトレーニングには、様々な入力パターン、すなわち、T min、T max、T が使用される。
論文 参考訳（メタデータ） (2022-02-23T14:25:13Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF
Solutions [31.388212637482365]
最適潮流(OPF)は電力系統の基本的な問題である。
近年の研究では、非常に少ないランタイムでOPF近似を見つけるためにDeep Neural Networks (DNN) が提案されている。
本稿は、この知識ギャップに対処するための一歩となる。
論文 参考訳（メタデータ） (2021-11-22T13:04:31Z) - Exploiting Adam-like Optimization Algorithms to Improve the Performance
of Convolutional Neural Networks [82.61182037130405]
勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。
本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。
resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
論文 参考訳（メタデータ） (2021-03-26T18:55:08Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z)
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。