論文の概要: Loop2Net: Data-Driven Generation and Optimization of Airfoil CFD Meshes from Sparse Boundary Coordinates

• arxiv url: http://arxiv.org/abs/2507.01057v1
• Date: Sat, 28 Jun 2025 13:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.807698
• Title: Loop2Net: Data-Driven Generation and Optimization of Airfoil CFD Meshes from Sparse Boundary Coordinates
• Title（参考訳）: Loop2Net: 疎境界座標による翼CFDメッシュのデータ駆動生成と最適化
• Authors: Lushun Fan, Yuqin Xia, Jun Li, Karl Jenkins,
• Abstract要約: 本研究では、深層畳み込みニューラルネットワークアーキテクチャに基づく、メッシュ品質の革新的なインテリジェント最適化システムを提案する。 この研究の中心はLoop2Netジェネレータと損失関数であり、与えられた翼座標に基づいてメッシュを予測する。 モデルの性能は、トレーニング中に2つの重要な損失関数によって継続的に最適化される。
• 参考スコア（独自算出の注目度）: 2.936210137329623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, an innovative intelligent optimization system for mesh quality is proposed, which is based on a deep convolutional neural network architecture, to achieve mesh generation and optimization. The core of the study is the Loop2Net generator and loss function, it predicts the mesh based on the given wing coordinates. And the model's performance is continuously optimised by two key loss functions during the training. Then discipline by adding penalties, the goal of mesh generation was finally reached.
• Abstract（参考訳）: 本研究では、メッシュ生成と最適化を実現するために、深い畳み込みニューラルネットワークアーキテクチャに基づく、メッシュ品質のための革新的なインテリジェントな最適化システムを提案する。 この研究の中心はLoop2Netジェネレータと損失関数であり、与えられた翼座標に基づいてメッシュを予測する。 モデルの性能は、トレーニング中に2つの重要な損失関数によって継続的に最適化される。 その後、罰則を追加することによって、メッシュ生成の目標がようやく到達した。

関連論文リスト

• GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
  グラフ拡散型ソリューション生成(GDSG)法を提案する。 このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。 グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
  論文  参考訳（メタデータ） (2024-12-11T11:13:43Z)
• Fixing the NTK: From Neural Network Linearizations to Exact Convex Programs [63.768739279562105]
  学習目標に依存しない特定のマスクウェイトを選択する場合、このカーネルはトレーニングデータ上のゲートReLUネットワークのNTKと等価であることを示す。 この目標への依存の欠如の結果として、NTKはトレーニングセット上の最適MKLカーネルよりもパフォーマンスが良くない。
  論文  参考訳（メタデータ） (2023-09-26T17:42:52Z)
• Proposing an intelligent mesh smoothing method with graph neural networks [11.680821798503857]
  CFDでは、メッシュの平滑化法はメッシュの品質を改良し、高精度な数値シミュレーションを実現するために一般的に用いられている。 最適化ベースの平滑化は高品質なメッシュの平滑化に使用されるが、計算オーバーヘッドが大きい。 本稿では,インテリジェントメッシュ平滑化のための軽量ニューラルネットワークモデルであるGMSNetを提案する。
  論文  参考訳（メタデータ） (2023-09-24T02:57:56Z)
• SpecNet2: Orthogonalization-free spectral embedding by neural networks [11.688030627514532]
  本稿では、スペクトル埋め込みを計算するために、SpecNet2と呼ばれる新しいニューラルネットワークアプローチを提案する。 SpecNet2はまた、グラフ親和性行列の行と列のサンプリングを分離できる。 シミュレーションデータと画像データセット上でのSpecNet2の性能改善と計算効率を数値実験により実証した。
  論文  参考訳（メタデータ） (2022-06-14T07:19:10Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• Leveraging power grid topology in machine learning assisted optimal power flow [0.5076419064097734]
  機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。 我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。 相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:39:53Z)
• The Hidden Convex Optimization Landscape of Two-Layer ReLU Neural Networks: an Exact Characterization of the Optimal Solutions [51.60996023961886]
  コーン制約のある凸最適化プログラムを解くことにより,グローバルな2層ReLUニューラルネットワークの探索が可能であることを示す。 我々の分析は新しく、全ての最適解を特徴づけ、最近、ニューラルネットワークのトレーニングを凸空間に持ち上げるために使われた双対性に基づく分析を活用できない。
  論文  参考訳（メタデータ） (2020-06-10T15:38:30Z)

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。