Fugu-MT 論文翻訳(概要): Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization

論文の概要: Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization

arxiv url: http://arxiv.org/abs/2504.16451v1
Date: Wed, 23 Apr 2025 06:29:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.025781
Title: Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization
Title（参考訳）: 多目的最適化を用いたコンプライアンス機構の効率的な設計
Authors: Alexander Humer, Sebastian Platzer,
Abstract要約: そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
参考スコア（独自算出の注目度）: 50.24983453990065
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Compliant mechanisms achieve motion through elastic deformation. In this work, we address the synthesis of a compliant cross-hinge mechanism capable of large angular strokes while approximating the behavior of an ideal revolute joint. To capture the competing demands of kinematic fidelity, rotational stiffness, and resistance to parasitic motion, we formulate a multi-objective optimization problem based on kinetostatic performance measures. A hybrid design strategy is employed: an efficient beam-based structural model enables extensive exploration of a high-dimensional design space using evolutionary algorithms, followed by fine-tuning with high-fidelity three-dimensional finite element analysis. The resulting Pareto-optimal designs reveal diverse geometric configurations and performance trade-offs.
Abstract（参考訳）: コンパクト機構は弾性変形によって運動を達成する。本研究は, 理想的な旋回関節の挙動を近似しながら, 角度ストロークを大きくすることができる適合型クロスヒンジ機構の合成について述べる。キネトスタティック性能測定に基づく多目的最適化問題を定式化して, 運動の整合性, 回転剛性, 寄生運動に対する抵抗性の両立を求める。効率的なビームベース構造モデルにより、進化的アルゴリズムを用いて高次元設計空間を広範囲に探索し、次いで高忠実度3次元有限要素解析による微調整を行うことができる。結果として得られたパレート・最適設計は、多様な幾何学的構成とパフォーマンスのトレードオフを明らかにしている。

関連論文リスト

BodyGen: Advancing Towards Efficient Embodiment Co-Design [33.072802665855626]
エボディメントの共同設計は、ロボットの形態と制御ポリシーを同時に最適化することを目的としている。設計と制御の両方にトポロジを意識した自己アテンションを利用するBodyGenを提案する。 Bodyは最先端のベースラインに対して平均60.03%のパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2025-03-01T15:25:42Z)
Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
論文参考訳（メタデータ） (2025-02-17T07:11:46Z)
Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
論文参考訳（メタデータ） (2024-03-12T07:32:47Z)
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)
Multiform Evolution for High-Dimensional Problems with Low Effective Dimensionality [36.44425198302701]
進化的アルゴリズムを高次元最適化問題に拡張する。全ての定式化を単一のマルチタスク設定に統一するマルチフォーム進化アルゴリズムを開発した。その結果、目的タスクは様々な低次元探索で進化した解を効率的に再利用することができる。
論文参考訳（メタデータ） (2023-12-30T08:13:47Z)
Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文参考訳（メタデータ） (2023-12-06T18:20:46Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文参考訳（メタデータ） (2022-10-19T19:04:45Z)
Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文参考訳（メタデータ） (2021-07-23T13:43:34Z)
Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。