論文の概要: Generative Design of a Gas Turbine Combustor Using Invertible Neural Networks

• arxiv url: http://arxiv.org/abs/2604.24322v1
• Date: Mon, 27 Apr 2026 11:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.916794
• Title: Generative Design of a Gas Turbine Combustor Using Invertible Neural Networks
• Title（参考訳）: 可逆ニューラルネットワークを用いたガスタービン燃焼器の発電設計
• Authors: Patrick Krüger, Hanno Gottschalk, Werner Krebs, Bastian Werdelmann,
• Abstract要約: Invertible Neural Network (INN) を幾何パラメータ化された燃焼器設計の拡張可能なデータベース上にトレーニングし、性能ラベルをシミュレートする。 特定の性能ラベルを満たす複数の設計提案を生成する。
• 参考スコア（独自算出の注目度）: 2.374976152884002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The need to burn 100% H2 in high efficient gas turbines featuring low NOx combustion in premix mode require the complete redesign of the combustion system to ensure stable operation without any flashback. Since all engine frames featuring a power range from 4 MW up to 600 MW are affected, a huge design effort is expected. To reduce this effort, especially to transfer knowledge between the different engine classes, generative design methods using latest AI technology will provide promising potential. In this work, this challenge is approached utilizing the current advances in generative artificial intelligence. We train an Invertible Neural Network (INN) on an expandable database of geometrically parameterized combustor designs with simulated performance labels. Utilizing the INN in its inverse direction, multiple design proposals are generated which fulfill specified performance labels.
• Abstract（参考訳）: プレミックスモードでのNOx燃焼の少ない高効率ガスタービンで100%H2を燃焼させるには、フラッシュバックなしで安定した運転を確保するために燃焼システムを完全に再設計する必要がある。 パワーレンジが4MWから600MWまでの全てのエンジンフレームが影響を受けるため、大きな設計努力が期待できる。 この労力を減らすため、特に異なるエンジンクラス間で知識を伝達するために、最新のAI技術を使った生成設計手法は有望な可能性を秘めている。 本研究は, 生成人工知能の現在の進歩を生かして, この課題にアプローチするものである。 Invertible Neural Network (INN) を幾何パラメータ化された燃焼器設計の拡張可能なデータベース上にトレーニングし、性能ラベルをシミュレートする。 INNの逆方向を利用すると、特定の性能ラベルを満たす複数の設計提案が生成される。

関連論文リスト

• AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers [0.3868072865207522]
  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。
  論文  参考訳（メタデータ） (2026-04-24T05:01:21Z)
• Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。 Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-10T02:58:46Z)
• Systems and Algorithms for Convolutional Multi-Hybrid Language Models at Scale [68.6602625868888]
  本稿では,2つの簡単な観測に基づいて,畳み込み型マルチハイブリッドアーキテクチャを提案する。 ハイブリッドモデルのオペレータは、インコンテキストリコール、マルチトークンリコール、圧縮などのトークン操作タスクにカスタマイズできる。 我々は、最適化されたトランスフォーマーの1.2倍から2.9倍、以前の世代のハイブリッドの1.1倍から1.4倍の速さでエンドツーエンドを訓練する。
  論文  参考訳（メタデータ） (2025-02-25T19:47:20Z)
• EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification [11.687193535939798]
  脳-コンピュータインタフェース(BCI)は、脳波信号を用いてデバイスを直接神経制御する。 脳波に基づく運動画像(MI)分類のための従来の機械学習手法は、手動の特徴抽出やノイズに対する感受性といった課題に遭遇する。 本稿では,これらの制限を克服するために改良型トランスフォーマーとTCNを用いたディープラーニングフレームワークであるEEGEncoderを紹介する。
  論文  参考訳（メタデータ） (2024-04-23T09:51:24Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Adaptable Butterfly Accelerator for Attention-based NNs via Hardware and Algorithm Co-design [66.39546326221176]
  多くのAIタスクにおいて、注意に基づくニューラルネットワークが普及している。 注意機構とフィードフォワードネットワーク(FFN)の使用は、過剰な計算とメモリ資源を必要とする。 本稿では,注目機構とFFNの両方を近似するために,バタフライの分散パターンを統一したハードウェアフレンドリーな変種を提案する。
  論文  参考訳（メタデータ） (2022-09-20T09:28:26Z)
• Predicting Fuel Consumption in Power Generation Plants using Machine Learning and Neural Networks [0.0]
  国有グリッドからの発電の不安定さは、産業(例えば、電気通信)が事業を運営するためにプラント発電機に依存するようになった。 二次発電機は、システムの内外への燃料漏れや、燃料レベルゲージの摂動など、さらなる課題を発生させる。 社会経済的要因による燃料価格の上昇に伴い、過剰な燃料消費と燃料ピラージュが問題となる。
  論文  参考訳（メタデータ） (2022-02-11T13:21:25Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Inverse Aerodynamic Design of Gas Turbine Blades using Probabilistic Machine Learning [6.45413271487734]
  タービンブレードの設計には、空力効率、耐久性、安全性、製造といった複数の側面を考慮する必要がある。 これらのイテレーションの反動の性質のため、データを蓄積する努力はほとんど行われていない。 本研究では,確率論的逆設計機械学習フレームワーク(PMI)を実証し,明示的な逆設計を行う。
  論文  参考訳（メタデータ） (2021-08-17T19:19:33Z)
• ROBIN: A Robust Optical Binary Neural Network Accelerator [3.8137985834223507]
  ドメイン固有のニューラルネットワークアクセラレータは、エネルギー効率と推論性能の改善により注目されている。 我々は、ヘテロジニアスマイクロリング共振器光デバイスをインテリジェントに統合する、ROBINという新しい光ドメインBNN加速器を提案する。 我々の分析によると、RBBINは最もよく知られている光BNN加速器や多くの電子加速器よりも優れている。
  論文  参考訳（メタデータ） (2021-07-12T16:00:32Z)

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。