論文の概要: ONERA's CRM WBPN database for machine learning activities, related regression challenge and first results

• arxiv url: http://arxiv.org/abs/2505.06265v1
• Date: Mon, 05 May 2025 06:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.718106
• Title: ONERA's CRM WBPN database for machine learning activities, related regression challenge and first results
• Title（参考訳）: ONERAのCRM WBPNデータベース
• Authors: Jacques Peter, Quentin Bennehard, Sébastien Heib, Jean-Luc Hantrais-Gervois, Frédéric Moëns,
• Abstract要約: 本稿では, ONERAで開発された新しい計算流体力学データベースについて, 空力場予測のための機械学習技術の進歩を支援する。 これは、NASA/Boeing Common Research Modelのウィングボディ・ボディ・パイロン・ナセル構成で実施されたスパラート・オールマラス乱流モデルを用いて、レイノルズ平均ナビエ・ストークスの468個のシミュレーションを含んでいる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a new Computational Fluid Dynamics database, developed at ONERA, to support the advancement of machine learning techniques for aerodynamic field prediction. It contains 468 Reynolds-Averaged Navier-Stokes simulations using the Spalart-Allmaras turbulence model, performed on the NASA/Boeing Common Research Model wing-body-pylon-nacelle configuration. The database spans a wide range of flow conditions, varying Mach number (including transonic regimes), angle of attack (capturing flow separation), and Reynolds number (based on three stagnation pressures, with one setting matching wind tunnel experiments). The quality of the database is assessed, through checking the convergence level of each computation. Based on these data, a regression challenge is defined. It consists in predicting the wall distributions of pressure and friction coefficients for unseen aerodynamic conditions. The 468 simulations are split into training and testing sets, with the training data made available publicly on the Codabench platform. The paper further evaluates several classical machine learning regressors on this task. Tested pointwise methods include Multi-Layer Perceptrons, $\lambda$-DNNs, and Decision Trees, while global methods include Multi-Layer Perceptron, k-Nearest Neighbors, Proper Orthogonal Decomposition and IsoMap. Initial performance results, using $R^2$ scores and worst relative mean absolute error metrics, are presented, offering insights into the capabilities of these techniques for the challenge and references for future work.
• Abstract（参考訳）: 本稿では, ONERAで開発された新しい計算流体力学データベースについて, 空力場予測のための機械学習技術の進歩を支援する。 これは、NASA/Boeing Common Research Modelのウィングボディ・ボディ・パイロン・ナセル構成で実施されたスパラート・オールマラス乱流モデルを用いて、レイノルズ平均ナビエ・ストークスの468個のシミュレーションを含んでいる。 データベースは様々な流れ条件、マッハ数(超音速モードを含む)、攻撃角(捕捉流の分離)、レイノルズ数(3つの停滞圧力に基づく1つの風洞実験)にまたがる。 データベースの品質は、各計算の収束レベルをチェックすることによって評価される。 これらのデータに基づいて回帰問題を定義する。 これは、目に見えない空気力学条件に対する圧力と摩擦係数の壁分布を予測することで構成される。 468のシミュレーションはトレーニングとテストセットに分割されており、トレーニングデータはCodabenchプラットフォーム上で公開されている。 本研究は,この課題に対して,古典的な機械学習回帰器をいくつか評価する。 テストされたポイントワイドメソッドには、Multi-Layer Perceptrons、$\lambda$-DNNs、Decision Trees、グローバルメソッドにはMulti-Layer Perceptron、k-Nearest Neighbors、Proper Orthogonal Decomposition、IsoMapなどがある。 R^2$スコアと最悪の平均絶対誤差メトリクスを使用した最初のパフォーマンス結果が提示され、これらのテクニックの能力に関する洞察と今後の作業への参照が提供される。

関連論文リスト

• A Comparison of Parametric Dynamic Mode Decomposition Algorithms for Thermal-Hydraulics Applications [0.5033155053523042]
  この研究は、現場にデプロイされた異なるアルゴリズムを比較して、利用可能なデータから学習モデルの研究に寄与する。 この目的のために, FEniCS有限要素ソルバを用いてそれぞれデータセットを取得し, CFDbenchデータセットから抽出した3つの異なる熱水和問題について検討した。
  論文  参考訳（メタデータ） (2025-03-31T15:23:22Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Accelerated training of deep learning surrogate models for surface displacement and flow, with application to MCMC-based history matching of CO2 storage operations [0.0]
  本研究では,CO2飽和度,圧力,表面変位を予測し,炭素貯蔵操作の履歴マッチングに用いるための新しいサロゲートモデリングフレームワークを提案する。 ここでのトレーニングには、多数の安価なフローオンリーのシミュレーションと、結合された実行回数のはるかに少ない組み合わせが含まれる。
  論文  参考訳（メタデータ） (2024-08-20T10:31:52Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)

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。