論文の概要: Data-informed lifting line theory

• arxiv url: http://arxiv.org/abs/2603.29051v1
• Date: Mon, 30 Mar 2026 22:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.889904
• Title: Data-informed lifting line theory
• Title（参考訳）: データインフォームドリフトライン理論
• Authors: Arjun Sharma, Jonas A. Actor, Peter A. Bosler,
• Abstract要約: 本稿では,従来の揚力線理論(LLT)の予測能力を,より広い空力状態に拡張するデータ駆動型フレームワークを提案する。 畳み込み層と完全に接続された層を持つニューラルネットワークアーキテクチャを開発する。 トレーニングされたモデルは、水平リフトおよびドラッグ分布における高次の3次元効果をキャプチャする。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a data-driven framework that extends the predictive capability of classical lifting-line theory (LLT) to a wider aerodynamic regime by incorporating higher-fidelity aerodynamic data from panel method simulations. A neural network architecture with a convolutional layer followed by fully connected layers is developed, comprising two parallel subnetworks to separately process spanwise collocation points and global geometric/aerodynamic inputs such as angle of attack, chord, twist, airfoil distribution, and sweep. Among several configurations tested, this architecture is most effective in learning corrections to LLT outputs. The trained model captures higher-order three-dimensional effects in spanwise lift and drag distributions in regimes where LLT is inaccurate, such as low aspect ratios and high sweep, and generalizes well to wing configurations outside both the LLT regime and the training data range. The method retains LLT's computational efficiency, enabling integration into aerodynamic optimization loops and early-stage aircraft design studies. This approach offers a practical path for embedding high-fidelity corrections into low-order methods and may be extended to other aerodynamic prediction tasks, such as propeller performance.
• Abstract（参考訳）: 本稿では,従来の昇降線理論(LLT)の予測能力を,パネル法シミュレーションから高忠実度空力データを取り込むことにより,より広い空力状態に拡張する。 畳み込み層と、完全に連結された層が続くニューラルネットワークアーキテクチャを開発し、2つの並列サブネットにより、水平方向のコロケーションポイントと、攻撃角、コード、ツイスト、翼の分布、掃討といった大域的な幾何学的/空力的な入力を別々に処理する。 テストされたいくつかの構成のうち、このアーキテクチャはLLT出力の修正を学習するのに最も効果的である。 訓練されたモデルでは、低アスペクト比や高スイープなどのLLTが不正確なレギュレーションにおいて、スパンワイズリフトとドラッグの分布における高次3次元効果を捉え、LLTレギュレーションとトレーニングデータ範囲の外側の翼構成によく一般化する。 この方法はLLTの計算効率を保ち、空力最適化ループと初期の航空機設計研究の統合を可能にする。 このアプローチは、高忠実度補正を低階法に埋め込むための実用的な経路を提供し、プロペラ性能などの他の空気力学的予測タスクに拡張することができる。

関連論文リスト

• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes [19.286954413935025]
  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。
  論文  参考訳（メタデータ） (2025-11-26T15:06:19Z)
• Hierarchical LoRA MoE for Efficient CTR Model Scaling [56.608809143548946]
  HiLoMoEは階層的なLoRA MoEフレームワークで、パラメータ効率のよい全体的なスケーリングを可能にする。 従来のスタックとは異なり、HiLoMoEルートは出力ではなく前のレイヤスコアに基づいており、すべてのレイヤが並列に実行される。
  論文  参考訳（メタデータ） (2025-10-12T03:54:11Z)
• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• Transfer learning-enhanced deep reinforcement learning for aerodynamic airfoil optimisation subject to structural constraints [1.5468177185307304]
  本稿では,任意の翼の形状を最適化可能な移動学習型深部強化学習法を提案する。 本手法を実証するために,翼の構造的整合性を保ちながら,昇降抵抗比$C_L/C_D$を最大化する。 DRL剤の性能を従来の勾配なし法であるParticle Swarm optimization (PSO)と比較した。
  論文  参考訳（メタデータ） (2025-05-05T13:26:11Z)
• 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)
• Parametric Generative Schemes with Geometric Constraints for Encoding and Synthesizing Airfoils [25.546237636065182]
  特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。 ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。 制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
  論文  参考訳（メタデータ） (2022-05-05T05:58:08Z)

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。