論文の概要: BlendedNet: A Blended Wing Body Aircraft Dataset and Surrogate Model for Aerodynamic Predictions

• arxiv url: http://arxiv.org/abs/2509.07209v1
• Date: Mon, 08 Sep 2025 20:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.117145
• Title: BlendedNet: A Blended Wing Body Aircraft Dataset and Surrogate Model for Aerodynamic Predictions
• Title（参考訳）: BlendedNet:空力予測のためのBlended Wing Body Aircraft DatasetとSurrogate Model
• Authors: Nicholas Sung, Steven Spreizer, Mohamed Elrefaie, Kaira Samuel, Matthew C. Jones, Faez Ahmed,
• Abstract要約: BlendedNetは、999の混合翼体(BWB)ジオメトリーで公開されている空力データセットである。 それぞれの幾何学は、およそ9つの飛行条件でシミュレートされ、スプラート・アルマラスモデルで8830の収束RANSと1ケースあたり9～1400万の細胞が生成される。
• 参考スコア（独自算出の注目度）: 3.979560406015393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: BlendedNet is a publicly available aerodynamic dataset of 999 blended wing body (BWB) geometries. Each geometry is simulated across about nine flight conditions, yielding 8830 converged RANS cases with the Spalart-Allmaras model and 9 to 14 million cells per case. The dataset is generated by sampling geometric design parameters and flight conditions, and includes detailed pointwise surface quantities needed to study lift and drag. We also introduce an end-to-end surrogate framework for pointwise aerodynamic prediction. The pipeline first uses a permutation-invariant PointNet regressor to predict geometric parameters from sampled surface point clouds, then conditions a Feature-wise Linear Modulation (FiLM) network on the predicted parameters and flight conditions to predict pointwise coefficients Cp, Cfx, and Cfz. Experiments show low errors in surface predictions across diverse BWBs. BlendedNet addresses data scarcity for unconventional configurations and enables research on data-driven surrogate modeling for aerodynamic design.
• Abstract（参考訳）: BlendedNetは、999の混合翼体(BWB)ジオメトリーで公開されている空力データセットである。 それぞれの幾何学は、およそ9つの飛行条件でシミュレートされ、スプラート・アルマラスモデルで8830の収束RANSと1ケースあたり9～1400万の細胞が生成される。 データセットは、幾何学的設計パラメータと飛行条件のサンプリングによって生成され、リフトとドラッグを研究するのに必要な詳細な点表面量を含む。 また、ポイントワイド空気力学予測のためのエンドツーエンドのサロゲートフレームワークも導入する。 パイプラインはまず、置換不変のPointNet回帰器を使用してサンプル表面の点雲から幾何パラメータを予測し、次に予測されたパラメータと飛行条件についてFiLM(Feature-wise Linear Modulation)ネットワークを条件として、Cp、Cfx、Cfzを推定する。 実験では、様々なBWBの表面予測において低い誤差を示す。 BlendedNetは、従来とは異なる構成のデータ不足に対処し、空力設計のためのデータ駆動サロゲートモデリングの研究を可能にする。

関連論文リスト

• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• ONERA's CRM WBPN database for machine learning activities, related regression challenge and first results [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-05T06:40:15Z)
• Benchmarking Convolutional Neural Network and Graph Neural Network based Surrogate Models on a Real-World Car External Aerodynamics Dataset [0.0]
  本稿では,実世界のデータセット上でのドラッグ予測のための2つの代理モデル手法の比較評価を行う。 以上の結果から,CNN法ではドラッグ数2.3の絶対誤差が,GNN法では3.8の絶対誤差が得られた。 どちらの手法も、ベースライン群間のより広範な傾向を効果的に捉えるが、ベースライン群内のより微細な変動を捉えるのに苦労する。
  論文  参考訳（メタデータ） (2025-04-09T09:04:59Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• 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)
• Generative Aerodynamic Design with Diffusion Probabilistic Models [0.7373617024876725]
  生成モデルは、シミュレーションの大規模なデータセット上でジオメトリを一般化することにより、ジオメトリを提供する可能性を秘めている。 特に,XFOILシミュレーションで訓練した拡散確率モデルを用いて,所定の空力特性と制約を条件とした2次元翼ジオメトリーを合成する。 モデルが同一の要件と制約に対して多様な候補設計を生成可能であることを示し、最適化手順に複数の出発点を提供する設計空間を効果的に探索する。
  論文  参考訳（メタデータ） (2024-09-20T08:38:36Z)
• A systematic dataset generation technique applied to data-driven automotive aerodynamics [0.0]
  ニューラルネットワークを用いた自動車測地におけるドラッグ予測の文脈内で、データセットを生成するための新しい戦略が開発されている。 本手法は,少数の開始点に頼り,それらの間を体系的に補間するためのレシピを提供する。 現実的な自動車形状を用いてこの戦略を検証し、畳み込みニューラルネットワークがドラッグ係数や表面圧力を予測するのに非常に優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-14T06:37:30Z)
• 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)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)

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。

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。