論文の概要: AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers

• arxiv url: http://arxiv.org/abs/2604.22224v1
• Date: Fri, 24 Apr 2026 05:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.344074
• Title: AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers
• Title（参考訳）: AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers (特集:バイオサイバネティックス)
• Authors: Leah Chen, Keni Chih-Hua Wu, Boon Tat Chia, Xiuqing Xing, Jian Cheng Wong,
• Abstract要約: 海洋プロペラの設計への適用は、訓練データの不足と、広く利用可能な事前訓練されたモデルの不足により、依然として困難である。 我々は,2万以上の4枚と5枚以上のプロペラジオメトリのデータベースを構築し,それぞれに模擬オープンウォーター性能曲線を伴って構築する。 本研究では, 海洋プロペラに適した直接性能・設計生成のための生成AIフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.3868072865207522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI is increasingly used to accelerate engineering design by improving decision-making and shortening iteration cycles. Application to marine propeller design, however, remains challenging due to scarce training data and the lack of widely available pretrained models. We address this gap with a physics-based data generation pipeline and a generative-AI framework for direct performance-to-design generation tailored to marine propellers. First, we build a database of over 20,000 four- and five-bladed propeller geometries, each accompanied by simulated open-water performance curves. On top of this dataset, we develop a three-module design framework: (1) A Conditional Generation Model that proposes candidate geometries conditioned on design specifications such as target thrust, power, and diameter. (2) A Performance Prediction Model, implemented as a neural-network surrogate, that predicts thrust, torque, and efficiency in milliseconds, enabling rapid evaluation of generated designs. (3) A design refinement stage that applies evolutionary optimization to enforce practical constraints such as required thrust under power limits and bounds on blade-area ratio and thickness. Experimental results over a range of operating conditions show that the framework can generate hydrodynamically plausible propeller designs that match prescribed performance targets while substantially reducing design-iteration time relative to the traditional expert-guided refinement. Latent diffusion-based generator produces more diverse designs under the same conditions than the conditional variational autoencoder, suggesting a stronger capacity for design-space exploration with diffusion models. By coupling physics-based data synthesis with modular AI models, the proposed approach streamlines the propeller design cycle and reduces reliance on expensive high-fidelity simulations to final validation stages.
• Abstract（参考訳）: AIは意思決定を改善し、イテレーションサイクルを短縮することで、エンジニアリング設計を加速するためにますます使われています。 しかし、海洋プロペラの設計への適用は、訓練データが少ないことと、広く利用可能な事前訓練されたモデルがないために、依然として困難である。 このギャップを物理ベースのデータ生成パイプラインと、海洋プロペラに適した直接性能・設計生成のための生成AIフレームワークで解決する。 まず,2万以上の4面および5面のプロペラジオメトリのデータベースを構築する。 このデータセットの上に,(1)目標推力,パワー,直径といった設計仕様に適合する候補ジオメトリを提案する条件生成モデルを構築する。 2) ニューラルネットワークサロゲートとして実装された性能予測モデルにより, ミリ秒間における推力, トルク, 効率を予測し, 生成した設計の迅速な評価を可能にする。 (3) 羽根面積比と厚みの限界下に必要な推力や境界などの実用的制約を強制するために, 進化的最適化を適用した設計改良段階。 種々の運転条件に対する実験結果から, 本フレームワークは, 所定の性能目標に適合する流体力学的に可塑性なプロペラの設計を生成できるが, 従来の専門家による改良に比べて, 設計着色時間を著しく短縮できることがわかった。 遅延拡散に基づくジェネレータは条件付き変分オートエンコーダと同一条件下でより多様な設計を生成し、拡散モデルを用いた設計空間探索のためのより強力な能力を示す。 物理に基づくデータ合成とモジュラーAIモデルを組み合わせることで、提案手法はプロペラの設計サイクルを合理化し、高価な高忠実度シミュレーションへの依存を最終検証段階まで低減する。

関連論文リスト

• Adjoint-based shape optimization of a ship hull using a Conditional Variational Autoencoder (CVAE) assisted propulsion surrogate model [4.620236180696338]
  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。
  論文  参考訳（メタデータ） (2026-02-16T16:43:47Z)
• TabPFN for Zero-shot Parametric Engineering Design Generation [8.681307193373241]
  本稿では,TabPFNに基づくパラメトリックエンジニアリング設計のためのゼロショット生成フレームワークを提案する。 提案手法は,目標性能指標に基づいて逐次条件付き設計パラメータを生成する。 拡散型生成モデルと比較して,提案手法は計算オーバーヘッドとデータ要求を大幅に削減する。
  論文  参考訳（メタデータ） (2026-02-02T19:51:40Z)
• A Reward-Directed Diffusion Framework for Generative Design Optimization [0.0]
  本研究は, 高精度な工学設計を実現するため, 微調整拡散モデルと報酬指向サンプリングに基づく。 提案手法は, 訓練データ分布を超えるサンプルを生成し, 船体設計の抵抗率を25%以上低減し, 2次元翼設計のリフト・アンド・ドラッグ比を10%以上改善する。
  論文  参考訳（メタデータ） (2025-08-02T22:19:02Z)
• 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)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)

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。