論文の概要: Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes
- arxiv url: http://arxiv.org/abs/2511.21474v1
- Date: Wed, 26 Nov 2025 15:06:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:59.153995
- Title: Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes
- Title（参考訳）: 音速で進む:ニューラルサロゲートを高乱流超音速レジームに押し込む
- Authors: Fabian Paischer, Leo Cotteleer, Yann Dreze, Richard Kurle, Dylan Rubini, Maurits Bleeker, Tobias Kronlachner, Johannes Brandstetter,
- Abstract要約: 本稿では,超音速系における3次元翼のCFDシミュレーションのデータセットを提案する。
データセットは、ユニークな幾何学とインフロー条件を持つ約30,000ドルのサンプルのために、ボリュームと表面レベルのフィールドで構成されている。
我々はTransolverやAB-UPTなど,いくつかの最先端のニューラルネットワークをデータセット上で評価した。
- 参考スコア（独自算出の注目度）: 19.286954413935025
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The widespread use of neural surrogates in automotive aerodynamics, enabled by datasets such as DrivAerML and DrivAerNet++, has primarily focused on bluff-body flows with large wakes. Extending these methods to aerospace, particularly in the transonic regime, remains challenging due to the high level of non-linearity of compressible flows and 3D effects such as wingtip vortices. Existing aerospace datasets predominantly focus on 2D airfoils, neglecting these critical 3D phenomena. To address this gap, we present a new dataset of CFD simulations for 3D wings in the transonic regime. The dataset comprises volumetric and surface-level fields for around $30,000$ samples with unique geometry and inflow conditions. This allows computation of lift and drag coefficients, providing a foundation for data-driven aerodynamic optimization of the drag-lift Pareto front. We evaluate several state-of-the-art neural surrogates on our dataset, including Transolver and AB-UPT, focusing on their out-of-distribution (OOD) generalization over geometry and inflow variations. AB-UPT demonstrates strong performance for transonic flowfields and reproduces physically consistent drag-lift Pareto fronts even for unseen wing configurations. Our results demonstrate that AB-UPT can approximate drag-lift Pareto fronts for unseen geometries, highlighting its potential as an efficient and effective tool for rapid aerodynamic design exploration. To facilitate future research, we open-source our dataset at https://huggingface.co/datasets/EmmiAI/Emmi-Wing.
- Abstract（参考訳）: DrivAerMLやDriivAerNet++といったデータセットによって実現された、自動車空気力学におけるニューラルサロゲートの広範な使用は、主に大きな流れを伴うブラフボディフローに焦点を当てている。
これらの手法を航空宇宙、特に超音速系に拡張することは、圧縮性の流れの非線形性の高さとウィングタイプ渦のような3次元効果のために依然として困難である。
既存の宇宙空間のデータセットは主に2D翼に焦点を当てており、これらの重要な3D現象を無視している。
このギャップに対処するために,超音速状態における3次元翼のCFDシミュレーションのデータセットを提案する。
データセットは、ユニークな幾何学とインフロー条件を持つ約30,000ドルのサンプルのために、ボリュームと表面レベルのフィールドで構成されている。
これによりリフト係数とドラッグ係数の計算が可能となり、データ駆動型空気力学的最適化の基礎となる。
我々は、TransolverやAB-UPTなど、我々のデータセット上での最先端のニューラルネットワークのサロゲートを評価し、幾何学とインフローの変動に対するアウト・オブ・ディストリビューション(OOD)の一般化に焦点を当てた。
AB-UPTは、超音速フローフィールドに対して強い性能を示し、見えない翼構成であっても物理的に一貫したドラッグリフトパレートフロントを再現する。
以上の結果から,AB-UPTは空力設計を高速化するための効率的かつ効果的なツールとしての可能性を強調した。
将来の研究を促進するため、私たちはデータセットをhttps://huggingface.co/datasets/EmmiAI/Emmi-Wing.comでオープンソース化しました。
関連論文リスト
- SuperWing: a comprehensive transonic wing dataset for data-driven aerodynamic design [19.941629337887484]
本稿では,超音速旋回翼空力の包括的オープンデータセットであるSuperWingを紹介する。
データセットの翼形状は、単純だが表現力のある幾何パラメータ化を用いて生成される。
データセットの有用性を示すために、表面の流れを正確に予測する2つの最先端トランスフォーマーをベンチマークする。
論文 参考訳（メタデータ） (2025-12-16T13:35:45Z) - AB-UPT for Automotive and Aerospace Applications [23.03293469767775]
Anchored-Branched Universal Physics Transformers (AB-UPT) は、自動車の流体力学シミュレーションを再現する強力な能力を示している。
AB-UPTのユースケースを実証的に評価した2つの新しいデータセットを追加し、高品質なデータ生成と最先端のニューラルサロゲートを組み合わせる。
AB-UPTは、単純な等方的テセルレート幾何学表現から、数秒以内の統合空力のほぼ完全な予測値を得る。
論文 参考訳（メタデータ） (2025-10-17T16:40:35Z) - DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset [1.184330339427731]
本研究では、DrivAer Transformerと呼ばれるポイントクラウド学習フレームワークを提案する。
DAT構造はDrivAerNet++データセットを使用しており、産業標準の3D車両形状の高忠実なCFDデータを含んでいる。
この枠組みは車両設計プロセスの加速と開発効率の向上が期待されている。
論文 参考訳（メタデータ） (2025-04-11T02:50:38Z) - MTGS: Multi-Traversal Gaussian Splatting [51.22657444433942]
マルチトラバースデータは、道路ブロック内のシーン再構築のための複数の視点を提供する。
任意に収集したマルチトラバーサルデータから高品質な運転シーンを再構成する新しい手法であるマルチトラバーサル・ガウス・スプラッティング(MTGS)を提案する。
その結果、MTGSはLPIPSを23.5%改善し、幾何学的精度は46.3%向上した。
論文 参考訳（メタデータ） (2025-03-16T15:46:12Z) - 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) - Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。
提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。
顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文 参考訳（メタデータ） (2024-07-29T11:48:44Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - 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) - Voxel Transformer for 3D Object Detection [133.34678177431914]
Voxel Transformer(ヴォクセルトランスフォーマー、VoTr)は、点雲から3Dオブジェクトを検出するための、新鮮で効果的なボクセルベースのトランスフォーマーバックボーンである。
提案するVoTrは、KITTIデータセットとOpenデータセットの計算効率を維持しながら、畳み込みベースラインよりも一貫した改善を示す。
論文 参考訳（メタデータ） (2021-09-06T14:10:22Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z)
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。