論文の概要: BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark

• arxiv url: http://arxiv.org/abs/2512.03280v1
• Date: Tue, 02 Dec 2025 22:39:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:56:51.811029
• Title: BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark
• Title（参考訳）: BlendedNet++: 大規模Blended Wing Body Aerodynamicsデータセットとベンチマーク
• Authors: Nicholas Sung, Steven Spreizer, Mohamed Elrefaie, Matthew C. Jones, Faez Ahmed,
• Abstract要約: 本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。 本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
• 参考スコア（独自算出の注目度）: 4.128170991070137
• License:
• Abstract: Despite progress in machine learning-based aerodynamic surrogates, the scarcity of large, field-resolved datasets limits progress on accurate pointwise prediction and reproducible inverse design for aircraft. We introduce BlendedNet++, a large-scale aerodynamic dataset and benchmark focused on blended wing body (BWB) aircraft. The dataset contains over 12,000 unique geometries, each simulated at a single flight condition, yielding 12,490 aerodynamic results for steady RANS CFD. For every case, we provide (i) integrated force/moment coefficients CL, CD, CM and (ii) dense surface fields of pressure and skin friction coefficients Cp and (Cfx, Cfy, Cfz). Using this dataset, we standardize a forward-surrogate benchmark to predict pointwise fields across six model families: GraphSAGE, GraphUNet, PointNet, a coordinate Transformer (Transolver-style), a FiLMNet (coordinate MLP with feature-wise modulation), and a Graph Neural Operator Transformer (GNOT). Finally, we present an inverse design task of achieving a specified lift-to-drag ratio under fixed flight conditions, implemented via a conditional diffusion model. To assess performance, we benchmark this approach against gradient-based optimization on the same surrogate and a diffusion-optimization hybrid that first samples with the conditional diffusion model and then further optimizes the designs. BlendedNet++ provides a unified forward and inverse protocol with multi-model baselines, enabling fair, reproducible comparison across architectures and optimization paradigms. We expect BlendedNet++ to catalyze reproducible research in field-level aerodynamics and inverse design; resources (dataset, splits, baselines, and scripts) will be released upon acceptance.
• Abstract（参考訳）: 機械学習に基づく空気力学的サロゲートの進歩にもかかわらず、大規模でフィールド解決されたデータセットの不足は、正確なポイントワイズ予測と航空機の再現可能な逆設計の進歩を制限する。 本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 あらゆるケースに対して、私たちは 一 CL、CD、CM及び統合力/モーメント係数 (II)圧力及び皮膚摩擦係数Cp,(Cfx,Cfy,Cfz)の高密度表面場。 このデータセットを用いて、GraphSAGE、GraphUNet、PointNet、座標変換器(Transolverスタイル)、FiLMNet(フィーチャーワイド変調付きMLP)、グラフニューラル演算子変換器(GNOT)の6つのモデルファミリのポイントワイドフィールドを予測するために、フォワードサロゲートベンチマークを標準化する。 最後に, 条件付き拡散モデルを用いて, 固定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。 提案手法は,条件付き拡散モデルを用いてまずサンプルを採取し,さらに設計を最適化する拡散最適化ハイブリッドと同一サロゲート上での勾配に基づく最適化に対して,本手法をベンチマークする。 BlendedNet++は、マルチモデルベースラインを備えた統一された前方および逆プロトコルを提供し、アーキテクチャと最適化パラダイム間の公正で再現可能な比較を可能にする。 我々は、BlendedNet++が、フィールドレベルの空気力学と逆設計における再現可能な研究を触媒することを期待している。

関連論文リスト

• BlendedNet: A Blended Wing Body Aircraft Dataset and Surrogate Model for Aerodynamic Predictions [3.979560406015393]
  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。
  論文  参考訳（メタデータ） (2025-09-08T20:43:14Z)
• 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)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• 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)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)

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。