論文の概要: A panoramic aerodynamic performance prediction method for turbomachinery cascades using transformer-enhanced neural operator
- arxiv url: http://arxiv.org/abs/2609.16066v1
- Date: Sun, 13 Sep 2026 13:45:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.121799
- Title: A panoramic aerodynamic performance prediction method for turbomachinery cascades using transformer-enhanced neural operator
- Title（参考訳）: 変圧器駆動型ニューラルオペレータを用いたターボ機械カスケードのパノラマ空力性能予測法
- Abstract要約: 本稿では, ターボ機械設計におけるフレキシブルかつ高速な空力性能評価を実現するためのパノラマ性能予測フレームワークを提案する。
予測精度を高めるため、このフレームワークにトランスフォーマー強化ニューラル演算子(TNO)が導入された。
注目すべきは、TNOの予測誤差がFNOやDeepONetのような最先端のディープラーニング演算子よりも小さいことである。
- 参考スコア（独自算出の注目度）: 3.4285206964708372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To enable flexible and rapid aerodynamic performance evaluation in turbomachinery design, this paper proposes a panoramic performance prediction framework. Unlike most previous prediction models that directly predict the objective functions of interest, our approach first predicts the basic parameters of the Navier-Stokes equations, such as temperature, pressure, and density. Utilizing these basic physical quantities, it subsequently predicts key performance parameters of the turbine stage meridian plane. By adopting this methodology, our proposed panoramic performance prediction framework functions similarly to a CFD simulator, capable of predicting various objective of interest to the designers. To enhance prediction accuracy, a transformer-enhanced neural operator (TNO) is introduced within this framework. Using the Rotor 37 blades as a reference, the proposed TNO is trained to predict the performance of a transonic compressor blade in the meridian plane. The TNO can accurately predict total quantities such as isentropic efficiency, mass flow, and distributions of total pressure ratio. Remarkably, the prediction error of TNO is observed to be smaller than that of state-of-the-art deep learning operators such as the FNO and DeepONet. Furthermore, the TNO is applied to downstream tasks, including sensitivity analysis and optimization of various objective functions. The results confirm that the TNO can operate almost like a CFD simulator, while reducing the computational cost of downstream tasks by four orders of magnitude. The effectiveness and reliability of the proposed TNO for solving different kinds of downstream tasks have been well demonstrated.
- Abstract（参考訳）: ターボ機械設計におけるフレキシブルかつ高速な空力性能評価を実現するため,パノラマ性能予測フレームワークを提案する。
目的関数を直接予測する従来の予測モデルとは異なり、我々の手法は最初に温度、圧力、密度などのナビエ・ストークス方程式の基本パラメータを予測する。
これらの基本的な物理量を利用することで、タービンステージの子午線面の重要な性能パラメータを予測する。
この手法を用いることで,提案手法はCFDシミュレータと類似したパノラマ性能予測フレームワークを設計者に対して様々な目的を予測できる。
予測精度を高めるため、このフレームワークにトランスフォーマー強化ニューラル演算子(TNO)が導入された。
ロータ37ブレードを基準として、提案したTNOを用いて、中距離平面における超音速圧縮機ブレードの性能を予測する。
TNOは、等エントロピー効率、質量流量、総圧力比の分布などの総量を正確に予測することができる。
注目すべきは、TNOの予測誤差がFNOやDeepONetのような最先端のディープラーニング演算子よりも小さいことである。
さらに、TNOは、様々な目的関数の感度解析や最適化を含む下流タスクに適用される。
その結果、TNOはCFDシミュレータのように動作し、下流タスクの計算コストを4桁削減できることを確認した。
下流の様々なタスクを解くために提案したTNOの有効性と信頼性はよく実証されている。
関連論文リスト
- Beyond Static Interpretability: Anticipating Post-SFT Mechanisms from Pre-SFT Parameters for Better Tuning [28.24632224083753]
機械的ローカライゼーションは機械的解釈可能性と後学習最適化を橋渡しする。
本研究では,SFT後の解釈可能性状態を正確に推定するフォワード・ルックティング・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:28:55Z) - A Novel Preprocessing-Driven Approach to Remaining Useful Life (RUL) Prediction Using Temporal Convolutional Networks (TCN) [1.0516033301022711]
航空工学におけるRemaining Useful Life (RUL)は、予測メンテナンス、運用信頼性の向上、ライフサイクルコストの削減に不可欠である。
モデル学習前のデータ品質と時間的表現を改善することにより、RUL予測を向上する新しい前処理パイプラインを提案する。
提案手法は, 完全時間列を利用して各時間ステップでRUL推定値を生成し, モデルが微細な劣化ダイナミクスを捕捉することを可能にする。
論文 参考訳（メタデータ） (2026-05-04T12:00:22Z) - Curvature-Guided LoRA: Steering in the pretrained NTK subspace [60.35296431630704]
本稿では,PEFTを用いて得られた予測器と,出力レベルにおける完全微調整の予測器との整合性を考慮した予測アライメント問題を提案する。
我々は、この目的が自然に、ニュートンのような、曲率ホワイトの勾配に対応する最適な低ランク更新を行う、曲率対応の2階定式化につながることを示した。
この知見に基づいて、局所曲率情報を用いて適応方向を選択し、スケールする曲率誘導LoRA(CG-LoRA)を提案する。
論文 参考訳（メタデータ） (2026-03-31T14:46:39Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - Improving the Accuracy and Interpretability of Neural Networks for Wind
Power Forecasting [42.640766130080415]
本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。
次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
論文 参考訳（メタデータ） (2023-12-25T14:29:09Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Approximate Bayesian Computation for Physical Inverse Modeling [0.32771631221674324]
本稿では,モデルパラメータ抽出プロセスを自動化する手法を提案する。
その結果, 勾配木を用いた移動曲線から抽出したパラメータを正確に予測できることが示唆された。
この研究は、提案したフレームワークと微調整されたニューラルネットワークの比較分析も提供し、提案したフレームワークの性能が向上することが示されている。
論文 参考訳（メタデータ） (2021-11-26T02:23:05Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。
まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。
次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文 参考訳（メタデータ） (2021-02-10T15:23:20Z)
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。