論文の概要: A Neural Surrogate-Enhanced Multi-Method Framework for Robust Wing Design Optimization

• arxiv url: http://arxiv.org/abs/2510.08582v1
• Date: Mon, 29 Sep 2025 17:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 05:23:07.113596
• Title: A Neural Surrogate-Enhanced Multi-Method Framework for Robust Wing Design Optimization
• Title（参考訳）: ロバストウィング設計最適化のためのニューラルサロゲート強化多手法フレームワーク
• Authors: Arash Fath Lipaei, AmirHossein Ghaemi, Melika Sabzikari,
• Abstract要約: 本稿では,ウィング設計プロセスのためのモジュラーでスケーラブルな設計最適化フレームワークを提案する。 パイプラインは初期翼のジオメトリーの生成から始まり、その後いくつかのアルゴリズムを用いて翼を最適化する。 その結果, 空力特性と安定性が向上し, 翼設計の高速化と高精度化が図られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a modular and scalable design optimization framework for the wing design process that enables faster early-phase design while ensuring aerodynamic stability. The pipeline starts with the generation of initial wing geometries and then proceeds to optimize the wing using several algorithms. Aerodynamic performance is assessed using a Vortex Lattice Method (VLM) applied to a carefully selected dataset of wing configurations. These results are employed to develop surrogate neural network models, which can predict lift and drag rapidly and accurately. The stability evaluation is implemented by setting the control surfaces and components to fixed positions in order to have realistic flight dynamics. The approach unifies and compares several optimization techniques, including Particle Swarm Optimization (PSO), Genetic Algorithms (GA), gradient-based MultiStart methods, Bayesian optimization, and Lipschitz optimization. Each method ensures constraint management via adaptive strategies and penalty functions, where the targets for lift and design feasibility are enforced. The progression of aerodynamic characteristics and geometries over the optimization iterations will be investigated in order to clarify each algorithm's convergence characteristics and performance efficiency. Our results show improvement in aerodynamic qualities and robust stability properties, offering a mechanism for wing design at speed and precision. In the interest of reproducibility and community development, the complete implementation is publicly available at https://github.com/AmirHosseinGhaemi2000/CHIMERA.
• Abstract（参考訳）: 本稿では, 空力安定性を確保しつつ, 早期設計の高速化を実現するために, 翼設計プロセスのためのモジュラーでスケーラブルな設計最適化フレームワークを提案する。 パイプラインは初期翼のジオメトリーの生成から始まり、その後いくつかのアルゴリズムを用いて翼を最適化する。 VLM(Vortex Lattice Method)を用いて、慎重に選択された翼構成のデータセットを用いて空力性能を評価する。 これらの結果は、リフトとドラッグを迅速かつ正確に予測できる代理ニューラルネットワークモデルの開発に使用される。 制御面と部品を固定位置に設定して、現実的な飛行力学を持つように安定性評価を行う。 この手法は、粒子群最適化(PSO)、遺伝的アルゴリズム(GA)、勾配に基づくマルチスタート法、ベイズ最適化、リプシッツ最適化など、いくつかの最適化手法を統一し比較する。 それぞれの手法は適応戦略とペナルティ関数による制約管理を保証する。 各アルゴリズムの収束特性と性能効率を明らかにするため, 最適化繰り返しにおける空力特性とジオメトリの進行について検討する。 その結果, 翼の空力特性と安定性が向上し, 翼設計の高速化と精度の向上が図られた。 再現性とコミュニティ開発に関心があるため、完全な実装はhttps://github.com/AmirHosseinGhaemi2000/CHIMERAで公開されている。

関連論文リスト

• TripOptimizer: Generative 3D Shape Optimization and Drag Prediction using Triplane VAE Networks [4.4288915456583755]
  Triprは,車両点クラウドデータから直接,高速空力解析と形状最適化を行うためのフレームワークである。 Triprは、高忠実度3D形状再構成のための三面体に基づく暗黙的ニューラル表現とドラッグ係数予測ヘッドを備えた変分オートコーダを採用している。
  論文  参考訳（メタデータ） (2025-09-05T15:14:19Z)
• Adjoint-Based Aerodynamic Shape Optimization with a Manifold Constraint Learned by Diffusion Models [12.019764781438603]
  本稿では,空力的に実行可能な形状の滑らかな多様体を学習するために,既存の設計で訓練された拡散モデルを統合する,随伴型空力形状最適化フレームワークを提案する。 自動微分による強靭で高忠実な空力形状の最適化を実現するために,AI生成前処理と随伴手法を効果的に統合する方法を実証する。
  論文  参考訳（メタデータ） (2025-07-31T11:21:20Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• FADAS: Towards Federated Adaptive Asynchronous Optimization [56.09666452175333]
  フェデレートラーニング(FL)は、プライバシ保護機械学習のトレーニングパラダイムとして広く採用されている。 本稿では、非同期更新を適応的フェデレーション最適化と証明可能な保証に組み込む新しい手法であるFADASについて紹介する。 提案アルゴリズムの収束率を厳格に確立し,FADASが他の非同期FLベースラインよりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-25T20:02:57Z)
• A mechanism-driven reinforcement learning framework for shape optimization of airfoils [0.32885740436059047]
  翼形状最適化のための機構駆動強化学習フレームワークを提案する。 強化学習法では、定常方程式の効率的な解法が用いられる。 ニューラルネットワークアーキテクチャは、気翼形状の微妙な変化に学習プロセスをより敏感にするために、注意機構に基づいて設計されている。
  論文  参考訳（メタデータ） (2024-03-07T08:48:42Z)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)

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。