論文の概要: Toward Generalizable Graph Learning for 3D Engineering AI: Explainable Workflows for CAE Mode Shape Classification and CFD Field Prediction

• arxiv url: http://arxiv.org/abs/2604.07781v1
• Date: Thu, 09 Apr 2026 04:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.689034
• Title: Toward Generalizable Graph Learning for 3D Engineering AI: Explainable Workflows for CAE Mode Shape Classification and CFD Field Prediction
• Title（参考訳）: 3DエンジニアリングAIのための一般化可能なグラフ学習に向けて:CAEモード形状分類とCFDフィールド予測のための説明可能なワークフロー
• Authors: Tong Duy Son, Kohta Sugiura, Marc Brughmans, Andrey Hense, Zhihao Liu, Amirthalakshmi Veeraraghavan, Ajinkya Bhave, Jay Masters, Paolo di Carlo, Theo Geluk,
• Abstract要約: 本稿では、3DエンジニアリングAIのための実践的なグラフ学習フレームワークを提案する。 このフレームワークは、CAE振動モード形状分類とCFD空力場予測という2つの自動車応用で検証されている。
• 参考スコア（独自算出の注目度）: 5.497980646898957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automotive engineering development increasingly relies on heterogeneous 3D data, including finite element (FE) models, body-in-white (BiW) representations, CAD geometry, and CFD meshes. At the same time, engineering teams face growing pressure to shorten development cycles, improve performance and accelerate innovation. Although artificial intelligence (AI) is increasingly explored in this domain, many current methods remain task-specific, difficult to interpret, and hard to reuse across development stages. This paper presents a practical graph learning framework for 3D engineering AI, in which heterogeneous engineering assets are converted into physics-aware graph representations and processed by Graph Neural Networks (GNNs). The framework is designed to support both classification and prediction tasks. The framework is validated on two automotive applications: CAE vibration mode shape classification and CFD aerodynamic field prediction. For CAE vibration mode classification, a region-aware BiW graph supports explainable mode classification across vehicle and FE variants under label scarcity. For CFD aerodynamic field prediction, a physics-informed surrogate predicts pressure and wall shear stress (WSS) across aerodynamic body shape variants, while symmetry preserving down sampling retains accuracy with lower computational cost. The framework also outlines data generation guidance that can help engineers identify which additional simulations or labels are valuable to collect next. These results demonstrate a practical and reusable engineering AI workflow for more trustworthy CAE and CFD decision support.
• Abstract（参考訳）: 自動車工学の開発は、有限要素(FE)モデル、ボディインホワイト(BiW)表現、CAD幾何学、CFDメッシュなどの異種3Dデータにますます依存している。 同時に、エンジニアリングチームは、開発サイクルを短縮し、パフォーマンスを改善し、イノベーションを加速する圧力の増大に直面します。 人工知能(AI)はこの領域でますます研究されているが、現在の多くの手法はタスク固有であり、解釈が困難であり、開発段階にわたって再利用が困難である。 本稿では,不均一なエンジニアリング資産を物理対応グラフ表現に変換し,グラフニューラルネットワーク(GNN)によって処理する3次元エンジニアリングAIのための実用的なグラフ学習フレームワークを提案する。 このフレームワークは分類タスクと予測タスクの両方をサポートするように設計されている。 このフレームワークは、CAE振動モード形状分類とCFD空力場予測という2つの自動車応用で検証されている。 CAE振動モード分類では、地域対応のBiWグラフは、ラベル不足下での車両およびFE変種間の説明可能なモード分類をサポートする。 CFD空力場予測では、物理インフォームドサロゲートは空気力学体形状の変種間で圧力と壁せん断応力(WSS)を予測し、対称性の維持は計算コストを下げる。 このフレームワークはまた、エンジニアが次に収集する価値のある追加のシミュレーションやラベルを特定するのに役立つデータ生成ガイダンスを概説している。 これらの結果は、より信頼性の高いCAEとCFD決定サポートのための実用的で再利用可能なエンジニアリングAIワークフローを示している。

関連論文リスト

• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• 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)
• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)

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。