論文の概要: Conditional Neural Field based Reduced Order Model for Dynamic Ditching Load Prediction

• arxiv url: http://arxiv.org/abs/2605.21499v1
• Date: Tue, 05 May 2026 16:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.989602
• Title: Conditional Neural Field based Reduced Order Model for Dynamic Ditching Load Prediction
• Title（参考訳）: 条件付きニューラルネットワークによる動的ディッチ負荷予測のためのリダクション次数モデル
• Authors: Henning Schwarz, Pyei Phyo Lin, Jens-Peter M. Zemke, Thomas Rung,
• Abstract要約: 航空機の降着荷重の予測に使用される条件付きニューラルネットワーク。 DLR-D150航空機の胴体の動的負荷に対する2つのデータセットを用いてモデルを評価する。 その結果,不均一な空間的離散化のために,グルーピング負荷を正確に再構築するニューラルネットワークアプローチの有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grid-based neural networks such as convolutional autoencoders are widely used in dimension reduction-based surrogate models for computational fluid dynamics. In recent years, the use of coordinate-based approaches like conditional neural fields has emerged. Their independence of the spatial discretization is a beneficial feature for various applications in computational fluid dynamics. This paper discusses the spatio-temporal prediction of aircraft ditching loads using a conditional neural field approach. The model is evaluated using two datasets for the dynamic loads of the fuselage of a DLR-D150 aircraft, one of which relates to a single fixed spatial discretization and the other that includes data from different discretizations. When paired with a long short-term memory (LSTM) network in the latent space, the neural field-based model achieves a spatio-temporal prediction accuracy for the first data set that is close to that of grid-dependent convolutional autoencoder-based models, and with significantly less parameters. Results for the second data set demonstrate the ability of the neural field-based approach to reconstruct ditching loads accurately for heterogeneous spatial discretizations. This allows for flexible use of training datasets generated for different geometries and/or discretizations, as well as the use of the surrogate model to predict loads for different configurations.
• Abstract（参考訳）: 畳み込みオートエンコーダのようなグリッドベースニューラルネットワークは、計算流体力学の次元減少に基づく代理モデルに広く用いられている。 近年、条件付きニューラルネットワークのような座標ベースのアプローチが登場している。 空間離散化の独立性は、計算流体力学の様々な応用に有用である。 本稿では,条件付きニューラルネットワークを用いた航空機降着荷重の時空間予測について論じる。 このモデルは,DLR-D150航空機の胴体の動的荷重に対する2つのデータセットを用いて評価され,そのうちの1つは固定空間の離散化に関連するもので,もう1つは異なる離散化のデータを含むものである。 潜時空間における長い短期記憶(LSTM)ネットワークと組み合わせると、ニューラルネットワークベースのモデルは、グリッド依存の畳み込みオートエンコーダベースのモデルに近い第1データセットの時空間予測精度を著しく低いパラメータで達成する。 第2データセットの結果は、不均一な空間的離散化のために、グルーピング負荷を正確に再構築するニューラルネットワークベースのアプローチの能力を示している。 これにより、異なるジオメトリや/または離散化のために生成されたトレーニングデータセットのフレキシブルな使用や、異なる構成の負荷を予測するために代理モデルの使用が可能になる。

関連論文リスト

• Embedding interpretable $\ell_1$-regression into neural networks for uncovering temporal structure in cell imaging [24.51358786006251]
  本稿では,ベクトル自己回帰(VAR)モデルを解釈可能な回帰手法として畳み込み自己エンコーダに組み込む手法を提案する。 スキップ接続は、スパース構造をVARモデルに選択的にチャネルする非スパース静的空間情報に別々に対処する。 埋め込み統計モデルを持つことは、同じ観測単位からの時間的シーケンスを比較するためのテストアプローチを可能にする。
  論文  参考訳（メタデータ） (2026-03-03T11:48:44Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
  ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。 本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
  論文  参考訳（メタデータ） (2024-02-02T19:18:12Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Neural networks for geospatial data [0.0]
  NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。 理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
  論文  参考訳（メタデータ） (2023-04-18T17:52:23Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。