論文の概要: Adjoint-based Shape Optimization, Machine Learning based Surrogate Models, Conditional Variational Autoencoder (CVAE), Voith Schneider propulsion (VSP), Self-propelled Ship, Propulsion Model, Hull Optimization

• arxiv url: http://arxiv.org/abs/2602.14907v1
• Date: Mon, 16 Feb 2026 16:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.545766
• Title: Adjoint-based Shape Optimization, Machine Learning based Surrogate Models, Conditional Variational Autoencoder (CVAE), Voith Schneider propulsion (VSP), Self-propelled Ship, Propulsion Model, Hull Optimization
• Title（参考訳）: 随伴型形状最適化、機械学習に基づくサロゲートモデル、条件付き変分オートエンコーダ(CVAE)、VSP(Voith Schneider Propulsion)、自己推進型船舶、推進モデル、ハル最適化
• Authors: Moloud Arian Maram, Georgios Bletsos, Thanh Tung Nguyen, Ahmed Hassan, Michael Palm, Thomas Rung,
• Abstract要約: 船体形状最適化は、海軍建築における高次元設計問題に対処するための強力なツールである。 複雑な推進システムを使用する船舶への適用は、大きな課題をもたらす。 本稿では,条件付き変分オートエンコーダに基づく推進システムのサロゲートモデルを用いた機械学習支援フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.620236180696338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adjoint-based shape optimization of ship hulls is a powerful tool for addressing high-dimensional design problems in naval architecture, particularly in minimizing the ship resistance. However, its application to vessels that employ complex propulsion systems introduces significant challenges. They arise from the need for transient simulations extending over long periods of time with small time steps and from the reverse temporal propagation of the primal and adjoint solutions. These challenges place considerable demands on the required storage and computing power, which significantly hamper the use of adjoint methods in the industry. To address this issue, we propose a machine learning-assisted optimization framework that employs a Conditional Variational Autoencoder-based surrogate model of the propulsion system. The surrogate model replicates the time-averaged flow field induced by a Voith Schneider Propeller and replaces the geometrically and time-resolved propeller with a data-driven approximation. Primal flow verification examples demonstrate that the surrogate model achieves significant computational savings while maintaining the necessary accuracy of the resolved propeller. Optimization studies show that ignoring the propulsion system can yield designs that perform worse than the initial shape. In contrast, the proposed method produces shapes that achieve more than an 8\% reduction in resistance.
• Abstract（参考訳）: 船体形状最適化は、特に船体抵抗の最小化において、海軍建築における高次元設計問題に対処するための強力なツールである。 しかし、複雑な推進システムを使用する船舶への適用には、大きな課題が伴う。 これらは、小さな時間ステップで長い時間にわたって延びる過渡的なシミュレーションの必要性と、原始溶液と随伴溶液の逆時間伝播から生じる。 これらの課題は、必要となるストレージとコンピューティングのパワーにかなりの需要をもたらし、業界における随伴メソッドの使用を著しく妨げている。 この問題に対処するために,条件付き変分オートエンコーダに基づく推進システムのサロゲートモデルを用いた機械学習支援最適化フレームワークを提案する。 代理モデルは、Voith Schneider Propellerによって誘導される時間平均フロー場を再現し、幾何学的および時間分解されたプロペラをデータ駆動近似で置き換える。 主流れ検証の例は、サロゲートモデルが、解決したプロペラの必要な精度を維持しながら、かなりの計算節約を達成することを示した。 最適化研究により、推進システムを無視すると、初期の形状よりも悪い性能を持つ設計が得られることが示されている。 対照的に, 提案手法は抵抗の8倍以上低減できる形状を生成する。

関連論文リスト

• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• 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)
• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• 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)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)

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。