論文の概要: Neural topology optimization of ship structures under propulsion machinery vibrations

• arxiv url: http://arxiv.org/abs/2609.38089v1
• Date: Tue, 29 Sep 2026 17:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.79637
• Title: Neural topology optimization of ship structures under propulsion machinery vibrations
• Title（参考訳）: 推進機械振動下における船舶構造物のニューラルトポロジー最適化
• Abstract要約: 船体の振動は騒音、疲労、機器の損傷に寄与する。 本研究では,畳み込み型コルモゴロフ・アルノルドネットワーク(KATO)を用いたニューラルリパラメトリズトポロジ最適化を,能動入力電力(AIP)を用いた強制振動設計に拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ship structural vibrations contribute to noise, fatigue, and equipment damage, while dynamic-compliance topology optimization can produce pathological designs near resonance. This study extends neural-reparameterized topology optimization using a convolutional Kolmogorov-Arnold network (KATO) to forced-vibration design with active input power (AIP) as the objective. Applications include a 100 Hz engine-supporting deck panel and an 18 Hz thruster foundation frame. Helmholtz PDE filtering and Heaviside projection control feature sizes and manufacturing tolerance. Across both deck families, all eight optimized layouts reduce AIP relative to size-optimized references and, after finite-depth extrusion, also achieve lower static compliance. For unrestricted, manufacturing-aware, and stress-aware frame variants, KATO matches GCMMA in AIP within 0.5 dB while yielding 22-36x lower static compliance after matched-volume binary re-analysis. In a near-resonant 300 Hz case, both methods reduce initial AIP by more than 32 dB; KATO maintains a connected design, achieves 59x lower binary static compliance, and reduces maximum AIP over 1-500 Hz by 2.7 dB. KATO runs 6.4-10.4x faster than GCMMA for the implemented stress-aware formulations. The results demonstrate neural AIP-driven topology optimization as an efficient approach for designing connected, feature-size-controlled ship structures with improved forced-vibration performance.
• Abstract（参考訳）: 船舶の構造振動は騒音、疲労、機器の損傷に寄与し、動的に適合するトポロジーの最適化は共鳴に近い病理設計を生み出すことができる。 本研究では,畳み込み型コルモゴロフ・アルノルドネットワーク(KATO)を用いたニューラルリパラメトリズトポロジ最適化を,能動入力電力(AIP)を用いた強制振動設計に拡張する。 応用例としては、100Hzのエンジン支持デッキパネルと18Hzのスラスタ基礎フレームがある。 Helmholtz PDEフィルタとHeavisideプロジェクション制御の特徴サイズと耐製造性。 両方のデッキファミリ全体で、8つの最適化されたレイアウトは、サイズ最適化された参照に対してAIPを減少させ、有限深さのエクストルージョンの後、より低い静的コンプライアンスを実現する。 制限なし、製造対応、ストレス対応のフレームバリアントでは、KATOは0.5dBのAIPでGCMMAと一致し、マッチした2値の再解析後に22-36倍低い静的コンプライアンスが得られる。 近共振300Hzの場合、どちらの手法も初期AIPを32dB以上削減し、KATOは接続された設計を維持し、59倍低いバイナリ静的コンプライアンスを実現し、最大AIPを1-500Hz以上2.7dB以上削減する。 KATOは、GCMMAよりも6.4-10.4倍高速で動作している。 その結果, ニューラルネットワークによるトポロジ最適化は, 強制振動性能を向上した接続型, 特徴量制御型船舶構造物の効率的な設計手法であることが示された。

関連論文リスト

• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Leveraging Structural Constraints for Diffusion-based Neural TSP Solvers [3.588053519843615]
  FT2Tのような最先端のアプローチは、高速な一貫性ベースの予測と勾配ベースの推論時間改善を組み合わせたものである。 そこで我々は,PCI (Projected Consistency Inference) を紹介した。 PCIは、500都市のユークリッド旅行セールスマン問題で0.17%、1000都市のユークリッド旅行セールスマン問題で0.31%の平均最適性ギャップ(OG)を達成し、FT2Tのベストセッティングを上回っている。
  論文  参考訳（メタデータ） (2026-06-08T11:08:36Z)
• How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
  深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。 アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
  論文  参考訳（メタデータ） (2026-06-07T12:17:25Z)
• Convex Optimization for Alignment and Preference Learning on a Single GPU [52.997197698288936]
  人間の好みに合わせて微調整された大きな言語モデルは、GeminiやChatGPTといったシステムの成功を導いた。 DPO(Direct Preference Optimization)は、よりシンプルな代替手段を提供するが、一貫性のないランキング精度やGPUリソースへの高い依存といった制限がある。 本稿では,理論的保証の強い新しい軽量戦略であるConvex Optimization for Alignment and Preference Learning Algorithm (COALA)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T05:25:00Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• HQP: Sensitivity-Aware Hybrid Quantization and Pruning for Ultra-Low-Latency Edge AI Inference [0.0]
  相乗的モデル加速を実現するために設計されたHybrid Quantization and Pruning (HQP)フレームワーク。 HQPフレームワークは3.12倍の推論速度向上と55%のモデルサイズ縮小を実現している。
  論文  参考訳（メタデータ） (2026-02-02T18:17:45Z)
• Causal-Guided Dimension Reduction for Efficient Pareto Optimization [2.9013001432962255]
  CaDROは、観測と干渉のハイブリッドなプロセスを通して因果写像を構築し、目的に対する因果効果によってパラメータをランク付けする。 低インパクトパラメータは高品質なソリューションの値に固定されるが、クリティカルなドライバは引き続き検索でアクティブである。 増幅器、レギュレータ、RF回路にまたがって、CaDROはNSGA-IIよりも10$times$速く収束する。
  論文  参考訳（メタデータ） (2025-10-11T00:41:04Z)
• Data-Driven Antenna Miniaturization: A Knowledge-Based System Integrating Quantum PSO and Predictive Machine Learning Models [0.0]
  本研究では,HFSSシミュレーションと量子ビーム動的粒子群最適化を統合し,アンテナ設計を高速化する。 QDPSOアルゴリズムは11.53秒でループ次元を自動最適化し、共振周波数は1.2208 GHzである。 システムは、製造可能なパラメータを自動生成するパフォーマンスターゲットの正確な仕様を可能にする。
  論文  参考訳（メタデータ） (2025-05-28T15:04:36Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)

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。