論文の概要: A Geometry-Aware Triplane Field Network for Vehicle Aerodynamic Prediction

• arxiv url: http://arxiv.org/abs/2606.07724v1
• Date: Fri, 05 Jun 2026 16:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.367368
• Title: A Geometry-Aware Triplane Field Network for Vehicle Aerodynamic Prediction
• Title（参考訳）: 航空機空力予測のための幾何学的三面体場ネットワーク
• Authors: Kangkang Qi, Huiyu Yang, Keqi Ding, Yunpeng Wang, Yuntian Chen, Yuanwei Bin, Rikui Zhang, Jianchun Wang,
• Abstract要約: 本研究は,車両の空気力学的圧力と壁せん断応力予測のための幾何学的三面体ネットワーク(GTF-Net)という,機械学習に基づく手法を提案する。 クエリ段階では、サンプリングされた三面体の特徴と車両の方向座標、正常射影特性、およびボクセルベースの曲率プロキシが組み合わされる。 GTF-Netは圧力予測において0.157から0.145、壁せん断応力予測において0.237から0.226までの相対L2誤差を改善する。
• 参考スコア（独自算出の注目度）: 7.1872832596556835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity computational fluid dynamics (CFD) is crucial to vehicle aerodynamic analysis, but its cost still constrains early-stage design exploration. Machine-learning-based surface-field prediction offers a faster alternative if the model can efficiently capture both global flow context and local geometric detail. This work proposes a machine-learning-based method, named the geometry-aware triplane field network (GTF-Net), for vehicle aerodynamic pressure and wall shear stress prediction. GTF-Net constructs triplane features directly from sampled surface points through a shared multilayer perceptron (MLP) and smooth bilinear rasterization. The planes are then processed by a dual-stream backbone that combines adaptive Fourier neural operator (AFNO) spectral mixing with convolutional neural network (CNN) refinement, so long-range aerodynamic coupling and local geometry-induced variations are modeled in the same representation. At query stage, sampled triplane features are combined with vehicle-aligned directional coordinates, normal-projection features, and a voxel-based curvature proxy. GTF-Net is compared with Transolver, geometry-informed neural operator (GINO), and TripNet, a triplane-based surrogate model. GTF-Net improves the relative L2 error from the strongest baseline value of 0.157 to 0.145 for pressure prediction and from 0.237 to 0.226 for wall shear stress prediction. Ablation results show that AFNO mixing, local CNN refinement, and query-side geometric encoding each contribute to accuracy, supporting the proposed mechanism of combining structured triplane representation with explicit aerodynamic geometry cues.
• Abstract（参考訳）: 高忠実度計算流体力学(CFD)は、航空機の空力解析に不可欠であるが、そのコストは初期設計の探索に制約される。 機械学習に基づく表面場予測は、モデルがグローバルフローコンテキストと局所幾何学的詳細の両方を効率的にキャプチャできる場合、より高速な代替手段を提供する。 本研究は,車両の空気力学的圧力と壁せん断応力予測のための,幾何学的三面体ネットワーク(GTF-Net)と呼ばれる機械学習に基づく手法を提案する。 GTF-Netは、共有多層パーセプトロン(MLP)と滑らかな双線形ラスタ化により、サンプリングされた表面点から直接三面体の特徴を構築する。 平面は、適応的なフーリエニューラルオペレータ(AFNO)スペクトル混合と畳み込みニューラルネット(CNN)精製を組み合わせたデュアルストリームバックボーンによって処理されるため、長距離空力結合と局所幾何学的変動は同じ表現でモデル化される。 クエリ段階では、サンプリングされた三面体の特徴と車両の方向座標、正常射影特性、およびボクセルベースの曲率プロキシが組み合わされる。 GTF-Netは、ジオメトリインフォームドニューラルオペレータ(GINO)であるTransolverと、トリプレーンベースのサロゲートモデルであるTripNetと比較される。 GTF-Netは圧力予測において0.157から0.145、壁せん断応力予測において0.237から0.226までの相対L2誤差を改善する。 アブレーションの結果,AFNO混合,局所CNN精細化,およびクエリ側幾何符号化がそれぞれ精度に寄与していることが示唆された。

関連論文リスト

• BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark [4.128170991070137]
  本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。 本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
  論文  参考訳（メタデータ） (2025-12-02T22:39:07Z)
• TripOptimizer: Generative 3D Shape Optimization and Drag Prediction using Triplane VAE Networks [4.4288915456583755]
  Triprは,車両点クラウドデータから直接,高速空力解析と形状最適化を行うためのフレームワークである。 Triprは、高忠実度3D形状再構成のための三面体に基づく暗黙的ニューラル表現とドラッグ係数予測ヘッドを備えた変分オートコーダを採用している。
  論文  参考訳（メタデータ） (2025-09-05T15:14:19Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
  制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。 我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
  論文  参考訳（メタデータ） (2025-07-02T18:44:03Z)
• Benchmarking Convolutional Neural Network and Graph Neural Network based Surrogate Models on a Real-World Car External Aerodynamics Dataset [0.0]
  本稿では,実世界のデータセット上でのドラッグ予測のための2つの代理モデル手法の比較評価を行う。 以上の結果から,CNN法ではドラッグ数2.3の絶対誤差が,GNN法では3.8の絶対誤差が得られた。 どちらの手法も、ベースライン群間のより広範な傾向を効果的に捉えるが、ベースライン群内のより微細な変動を捉えるのに苦労する。
  論文  参考訳（メタデータ） (2025-04-09T09:04:59Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• 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)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• 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。