論文の概要: Full-field prediction for engineering-scale three-dimensional aircraft with multigrid-hierarchical learning

• arxiv url: http://arxiv.org/abs/2605.30375v1
• Date: Tue, 26 May 2026 09:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.121637
• Title: Full-field prediction for engineering-scale three-dimensional aircraft with multigrid-hierarchical learning
• Title（参考訳）: 多階層階層学習による工学的3次元航空機のフルフィールド予測
• Authors: Yunfei Liu, Hao Wang, Yuhang Qi, Hao Yue, Dehong Meng, Wei Li, Rui Wang, Tiejun Li, Jie Liu, Junwu Hong, Xinhai Chen,
• Abstract要約: MHLFは,工学的・大規模航空機流シミュレーションを高速化するための階層型学習フレームワークである。 マッハ0.15から6.0にまたがる3つの工学規模の航空機ケースで、MHLFは流れ場の精度を犠牲にすることなく収束を加速する。
• 参考スコア（独自算出の注目度）: 14.587446418342665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity computational fluid dynamics is essential for aerospace design, but engineering-scale simulations of practical three-dimensional aircraft remain computationally expensive. Learning-based flow-field initialization can improve efficiency by reducing the numerical distance between the initial and converged solutions, yet existing deep learning approaches remain difficult to scale to large three-dimensional aircraft flows with multiscale regional heterogeneity. Most prior studies therefore focus on two-dimensional problems, surface quantities, integral aerodynamic coefficients, or simplified three-dimensional cases with limited grid resolution.Here we propose MHLF, a multigrid-hierarchical learning framework for accelerating engineering-scale aircraft flow simulations while preserving high-fidelity numerical accuracy. MHLF combines a topologically consistent geometric multigrid representation with a hierarchical strategy that captures regional flow heterogeneity during both prediction and subsequent CFD correction. Across three engineering-scale aircraft cases spanning Mach 0.15 to 6.0 and covering subsonic, transonic and supersonic regimes, MHLF accelerates convergence without sacrificing flow-field accuracy, achieving a 3 to 8 times efficiency improvement over conventional initialization. These results demonstrate practical full-flow-field prediction for large three-dimensional aircraft within the CFD domain and provide a foundation for data-driven acceleration of high-fidelity aircraft flow simulation.
• Abstract（参考訳）: 高忠実度計算流体力学は航空宇宙設計には不可欠であるが、実用的な3次元航空機の工学的スケールのシミュレーションは計算に高価である。 学習ベースフローフィールドの初期化は初期解と収束解の間の数値的な距離を減らして効率を向上させることができるが、既存の深層学習アプローチは、大規模な局所的不均一性を持つ3次元航空機の流れにスケールすることが困難である。 そこで,本研究では,2次元問題,表面量,積分空力係数,グリッド解像度の制限された簡易3次元ケースに着目し,高忠実度数値を保ちながら,工学的規模の航空機流シミュレーションを高速化する多階層型学習フレームワークであるMHLFを提案する。 MHLFは、トポロジカルに一貫した幾何学的多重グリッド表現と階層戦略を組み合わせることで、予測とその後のCFD補正の両方の間、局所的な流れの不均一性を捉える。 マッハ0.15から6.0の範囲で、亜音速、超音速、超音速の3種類の航空機で、MHLFは流れ場の精度を犠牲にすることなく収束を加速し、従来の初期化よりも3倍から8倍の効率改善を実現している。 これらの結果から,CFD領域内における大型3次元航空機の実用的フルフロー場予測が示され,高忠実度航空機流シミュレーションのデータ駆動加速の基礎となった。

関連論文リスト

• AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling [5.931951549967812]
  本研究では,空力場モデリングのための予測アーキテクチャであるAeroJEPAを紹介する。 幾何学から直接流れ場を予測するのではなく、AeroJEPAは流れの潜在的な表現を予測している。 得られた潜在空間は, 制御された探索, 線形探索, 概念ベクトル算術, 制約付き設計潜在最適化実験をサポートすることを示す。
  論文  参考訳（メタデータ） (2026-05-07T02:11:26Z)
• ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
  ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。 ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
  論文  参考訳（メタデータ） (2026-03-17T14:16:10Z)
• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• 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)
• Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning [10.191783697332227]
  機械学習モデルは、超音速旋回翼流場を迅速に取得する有望な方法を提供する。 モデルを効率的に学習するための物理組込み移動学習フレームワークを提案する。 データセットのサイズを減らすには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
  論文  参考訳（メタデータ） (2024-09-19T12:35:59Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)

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。