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

• 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)
• 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。