Fugu-MT 論文翻訳(概要): Computational Fluid Dynamics Optimization of F1 Front Wing using Physics Informed Neural Networks

論文の概要: Computational Fluid Dynamics Optimization of F1 Front Wing using Physics Informed Neural Networks

arxiv url: http://arxiv.org/abs/2509.01963v1
Date: Tue, 02 Sep 2025 05:12:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 15:17:03.914046
Title: Computational Fluid Dynamics Optimization of F1 Front Wing using Physics Informed Neural Networks
Title（参考訳）: 物理インフォームドニューラルネットワークを用いたF1フロント翼の数値流体力学最適化
Authors: Naval Shah,
Abstract要約: 本稿では,F1前翼空力係数の高速予測のための物理情報ニューラルネットワーク(PINN)を提案する。 PINNモデルは、ドラッグ係数0.968とリフト係数予測0.981の判定係数(R-2乗)を計算時間を低下させながら記録する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In response to recent FIA regulations reducing Formula 1 team wind tunnel hours (from 320 hours for last-place teams to 200 hours for championship leaders) and strict budget caps of 135 million USD per year, more efficient aerodynamic development tools are needed by teams. Conventional computational fluid dynamics (CFD) simulations, though offering high fidelity results, require large computational resources with typical simulation durations of 8-24 hours per configuration analysis. This article proposes a Physics-Informed Neural Network (PINN) for the fast prediction of Formula 1 front wing aerodynamic coefficients. The suggested methodology combines CFD simulation data from SimScale with first principles of fluid dynamics through a hybrid loss function that constrains both data fidelity and physical adherence based on Navier-Stokes equations. Training on force and moment data from 12 aerodynamic features, the PINN model records coefficient of determination (R-squared) values of 0.968 for drag coefficient and 0.981 for lift coefficient prediction while lowering computational time. The physics-informed framework guarantees that predictions remain adherent to fundamental aerodynamic principles, offering F1 teams an efficient tool for the fast exploration of design space within regulatory constraints.
Abstract（参考訳）: 最近のFIA規制により、フォーミュラ1チームの風洞時間(ラストプレースチームの320時間からチャンピオンシップリーダーの200時間)が短縮され、年間1億3500万米ドルの予算上限が厳格になったため、より効率的な空力開発ツールがチームによって求められている。従来の計算流体力学(CFD)シミュレーションは、忠実度の高い結果を提供するが、構成解析あたり8時間から24時間という典型的なシミュレーション期間を持つ大きな計算資源を必要とする。本稿では,F1前翼空力係数の高速予測のための物理情報ニューラルネットワーク(PINN)を提案する。提案手法は,SimScaleのCFDシミュレーションデータと流体力学の第一原理を,Navier-Stokes方程式に基づくデータの忠実さと物理的付着性の両方を制約するハイブリッド損失関数によって組み合わせたものである。 12の空力特性から力・モーメントデータをトレーニングし, PINNモデルでは, ドラッグ係数0.968, リフト係数0.981の判定係数(R-2乗)を算出し, 計算時間を短縮した。物理インフォームドフレームワークは、予測が基本的な空力原理に固執し続けることを保証し、F1チームに規制の制約の中で設計空間を高速に探索するための効率的なツールを提供する。

関連論文リスト

OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文参考訳（メタデータ） (2025-06-12T16:23:02Z)
NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning [0.0]
NeuralFoilは、翼の高速空気力学解析のためのオープンソースのツールである。広義の入力空間上で、大域的および局所的な量を計算する。結果はXFoilと密接に一致している。
論文参考訳（メタデータ） (2025-03-20T16:44:53Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
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)
Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
論文参考訳（メタデータ） (2023-06-06T16:27:17Z)
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)
Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文参考訳（メタデータ） (2022-06-15T17:29:57Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
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)
CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
論文参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。