論文の概要: Research on Aerodynamic Performance Prediction of Airfoils Based on a Fusion Algorithm of Transformer and GAN

• arxiv url: http://arxiv.org/abs/2506.06979v1
• Date: Sun, 08 Jun 2025 03:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.596698
• Title: Research on Aerodynamic Performance Prediction of Airfoils Based on a Fusion Algorithm of Transformer and GAN
• Title（参考訳）: 変圧器とガンの融合アルゴリズムに基づく翼の空力性能予測に関する研究
• Authors: MaolinYang, Yaohui Wang, Pingyu Jiang,
• Abstract要約: 本研究では,改良型トランスフォーマとGAN(Generative Adversarial Network)の融合に基づくディープラーニングモデルであるDeeptransを提案する。 実験の結果、検証セットにおけるディープトランスのMSE損失は5.6*10-6に減少し、単サンプル予測時間は0.0056秒であることがわかった。
• 参考スコア（独自算出の注目度）: 10.711056540184023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting of airfoil aerodynamic performance is a key part of aircraft design optimization, but the traditional methods (such as wind tunnel test and CFD simulation) have the problems of high cost and low efficiency, and the existing data-driven models face the challenges of insufficient accuracy and strong data dependence in multi-objective prediction. Therefore, this study proposes a deep learning model, Deeptrans, based on the fusion of improved Transformer and generative Adversarial network (GAN), which aims to predict the multi-parameter aerodynamic performance of airfoil efficiently. By constructing a large-scale data set and designing a model structure that integrates a Transformer coding-decoding framework and confrontation training, synchronous and high-precision prediction of aerodynamic parameters is realized. Experiments show that the MSE loss of Deeptrans on the verification set is reduced to 5.6*10-6, and the single-sample prediction time is only 0.0056 seconds, which is nearly 700 times more efficient than the traditional CFD method. Horizontal comparison shows that the prediction accuracy is significantly better than the original Transformer, GAN, and VAE models. This study provides an efficient data-driven solution for airfoil aerodynamic performance prediction and a new idea for deep learning modeling complex flow problems.
• Abstract（参考訳）: 航空機設計の最適化において、航空機の空気力学的性能の予測は重要な部分であるが、従来の手法(風洞試験やCFDシミュレーションなど)では、高コストと低効率の問題があり、既存のデータ駆動モデルは、多目的予測において不十分な精度と強いデータ依存の課題に直面している。 そこで本研究では,改良されたトランスフォーマーと生成逆数ネットワーク(GAN)を融合した深層学習モデルであるDeeptransを提案する。 大規模データセットを構築し、トランスフォーマー符号化復号フレームワークと対向訓練を統合したモデル構造を設計することにより、空力パラメータの同期的かつ高精度な予測を実現する。 実験の結果、検証セットにおけるディープトランスのMSE損失は5.6*10-6に減少し、単サンプル予測時間は0.0056秒であり、従来のCFD法よりも700倍近い効率であることがわかった。 水平比較は、予測精度が元のTransformer、GAN、VAEモデルよりもかなり良いことを示している。 本研究は,航空機の空力性能予測のための効率的なデータ駆動ソリューションと,複雑な流れ問題に対するディープラーニングモデリングの新しいアイデアを提供する。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Improving Medium Range Severe Weather Prediction through Transformer Post-processing of AI Weather Forecasts [39.58317527488534]
  本研究では,デコーダのみのトランスフォーマーネットワークをAIによる天気予報処理に活用する手法を提案する。 本手法は,予測リードタイムをシーケンシャルトークンとして扱うことで,トランスフォーマーが複雑な時間的関係を学習できるようにする。 その結果,変圧器を用いた後処理は,高密度ニューラルネットワークと比較して予測能力を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2025-05-16T23:22:07Z)
• Capturing Aerodynamic Characteristics of ATTAS Aircraft with Evolving Intelligent System [2.8391355909797644]
  本稿では,ATTAS航空機の空力係数をモデル化するための進化型2量子ファジィニューラルネットワーク(eT2QFNN)の新規展開について述べる。 eT2QFNNは、規則に基づく構造を持つ複数の線形サブモデルを作成することで、非線形航空機モデルを表現することができる。 量子メンバシップ関数を通じて不確実性とデータノイズに対する堅牢性を高める。
  論文  参考訳（メタデータ） (2025-04-28T16:21:20Z)
• DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset [1.184330339427731]
  本研究では、DrivAer Transformerと呼ばれるポイントクラウド学習フレームワークを提案する。 DAT構造はDrivAerNet++データセットを使用しており、産業標準の3D車両形状の高忠実なCFDデータを含んでいる。 この枠組みは車両設計プロセスの加速と開発効率の向上が期待されている。
  論文  参考訳（メタデータ） (2025-04-11T02:50:38Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics [0.5018156030818882]
  本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。 我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。 条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
  論文  参考訳（メタデータ） (2023-05-28T09:46:18Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)

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。