論文の概要: Airfoil optimization using Design-by-Morphing with minimized design-space dimensionality

• arxiv url: http://arxiv.org/abs/2510.16020v1
• Date: Wed, 15 Oct 2025 15:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.778241
• Title: Airfoil optimization using Design-by-Morphing with minimized design-space dimensionality
• Title（参考訳）: 設計空間次元を最小化したデザイン・バイ・モーフィングによる翼の最適化
• Authors: Sangjoon Lee, Haris Moazam Sheikh,
• Abstract要約: 本研究では,翼の最適化に特化したDbM (Design-by-Morphing) アプローチであるAirDbMを紹介する。 AirDbMはUIUCのエアフォイルデータベースから12基のベースライン翼を最適に選択する。 これらのベースラインにより、AirDbMは0.005以下の平均絶対誤差で、データベースの99パーセントを再構築する。
• 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: Effective airfoil geometry optimization requires exploring a diverse range of designs using as few design variables as possible. This study introduces AirDbM, a Design-by-Morphing (DbM) approach specialized for airfoil optimization that systematically reduces design-space dimensionality. AirDbM selects an optimal set of 12 baseline airfoils from the UIUC airfoil database, which contains over 1,600 shapes, by sequentially adding the baseline that most increases the design capacity. With these baselines, AirDbM reconstructs 99 \% of the database with a mean absolute error below 0.005, which matches the performance of a previous DbM approach that used more baselines. In multi-objective aerodynamic optimization, AirDbM demonstrates rapid convergence and achieves a Pareto front with a greater hypervolume than that of the previous larger-baseline study, where new Pareto-optimal solutions are discovered with enhanced lift-to-drag ratios at moderate stall tolerances. Furthermore, AirDbM demonstrates outstanding adaptability for reinforcement learning (RL) agents in generating airfoil geometry when compared to conventional airfoil parameterization methods, implying the broader potential of DbM in machine learning-driven design.
• Abstract（参考訳）: 効果的な翼形状の最適化には、可能な限り少数の設計変数を用いて様々な設計を探索する必要がある。 本研究では,設計空間の次元を体系的に低減するエアフォイル最適化に特化して,デザイン・バイ・モーフィング(DbM)アプローチであるAirDbMを紹介する。 AirDbMは、1,600以上の形状を含むUIUCのエアフォイルデータベースから12基のベースラインエアフォイルを最適に選択し、設計能力を最も高めるベースラインを順次追加する。 これらのベースラインにより、AirDbMはデータベースの99 \%を0.005以下の平均絶対誤差で再構築する。 多目的空力最適化において、AirDbMは急激な収束を示し、前回の大規模ベースライン研究よりも大きなパレートでパレートフロントを達成する。 さらに、AirDbMは、従来の翼パラメータ化法と比較して、翼形状を生成する際に、強化学習(RL)エージェントに優れた適応性を示し、機械学習駆動設計におけるDbMの幅広い可能性を示している。

関連論文リスト

• A Neural Surrogate-Enhanced Multi-Method Framework for Robust Wing Design Optimization [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-29T17:26:37Z)
• 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)
• 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)
• HiLAB: A Hybrid Inverse-Design Framework [0.0]
  HiLABはナノフォトニック構造の逆設計のための新しいパラダイムである。 シミュレーションコストを削減した多様なフリーフォーム構成を生成することで、多機能デバイス設計に対処する。
  論文  参考訳（メタデータ） (2025-05-23T05:34:56Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• Online Merging Optimizers for Boosting Rewards and Mitigating Tax in Alignment [47.682736928029996]
  大規模言語モデル(LLM)は、事前訓練と監視ファインチューニング(SFT)によって得られる能力の劣化を防止しつつ、人間中心の値と整合するように設計されている。 本稿では、RLHFとSFTモデルパラメータを補間することにより、人間の好みと基本能力のトレードオフを調整し、アライメント税を低減できることを示す。 これはアライメント税を軽減しつつアライメント報酬を大幅に向上させ、14のベンチマークで全体のパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2024-05-28T07:53:40Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• 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)

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。