論文の概要: Condition-Enhanced Generative Adversarial Network for Aerodynamic Configuration Design of Commercial Aircraft

• arxiv url: http://arxiv.org/abs/2610.35963v1
• Date: Sun, 25 Oct 2026 11:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.37435
• Title: Condition-Enhanced Generative Adversarial Network for Aerodynamic Configuration Design of Commercial Aircraft
• Title（参考訳）: 商用航空機の空力設計のためのコンディション強化ジェネレータネットワーク
• Abstract要約: 生成機械学習は、空力設計最適化のためのエンドツーエンドのフレームワークを提供する。 本研究では, 幾何的および空力的情報を生成プロセスに組み込む条件拡張型ジェネレーティブ・アドリアル・ネットワーク(CEGAN)を提案する。 幾何誘導実現可能性ペナルティと、同じデータセット上で訓練された代理モデルにより評価された空力性能ペナルティを組み合わせることにより、条件付き損失関数を開発する。
• 参考スコア（独自算出の注目度）: 1.7998705831395252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative machine learning provides an end-to-end framework for aerodynamic design optimization by generating diverse aerodynamic configurations conditioned on target performance. However, the generated designs may violate geometric constraints or deviate from the prescribed aerodynamic performance. Therefore, we propose a Condition-Enhanced Generative Adversarial Network (CEGAN) that embeds geometric and aerodynamic information into the generative process. A condition-informed loss function is developed by combining a geometry-guided feasibility penalty with an aerodynamic performance penalty evaluated by surrogate models trained on the same dataset. Additionally, an output filtering mechanism discards infeasible designs using these surrogate models, ensuring compliance with prescribed conditions. The method is demonstrated on aircraft configurations similar to the Cessna Citation X. Each configuration is represented by 28 shape parameters, whose aerodynamic performance is evaluated using OpenVSP. Interpolation and extrapolation tests are conducted for different network architectures and conditioning strategies. Compared with the baseline model, CEGAN reduces the average generation error by at least 36% for interpolated conditions and by at least 46% under extreme extrapolation conditions, while successfully producing diverse and physically feasible designs that extend beyond the training distribution. Therefore, the proposed CEGAN framework offers a robust and accurate tool for rapid aerodynamic configuration exploration during the conceptual design phase.
• Abstract（参考訳）: ジェネレーティブ機械学習は、ターゲット性能に条件付けられた多様な空力構成を生成することにより、空力設計最適化のためのエンドツーエンドのフレームワークを提供する。 しかし、生成された設計は、幾何学的制約に違反したり、所定の空力性能から逸脱する可能性がある。 そこで本研究では,幾何学的および空力的情報を生成プロセスに組み込む条件拡張型生成支援ネットワーク(CEGAN)を提案する。 幾何誘導実現可能性ペナルティと、同じデータセット上で訓練された代理モデルにより評価された空力性能ペナルティを組み合わせることにより、条件付き損失関数を開発する。 さらに、出力フィルタリング機構は、これらのサロゲートモデルを用いて実現不可能な設計を破棄し、所定の条件に適合することを保証する。 それぞれの構成は28の形状パラメータで表され、その空力性能はOpenVSPを用いて評価される。 異なるネットワークアーキテクチャと条件付け戦略に対して補間および外挿試験を行う。 ベースラインモデルと比較すると、CEGANは、平均生成誤差を補間条件で少なくとも36%、極端外挿条件で少なくとも46%削減し、トレーニング分布を超えて、多様な物理的に実現可能な設計を成功させる。 そのため、提案したCEGANフレームワークは、概念設計フェーズにおける高速な空力構成探索のための堅牢で正確なツールを提供する。

関連論文リスト

• AI-Driven Performance-to-Design Generation and Optimization of Marine Propellers [0.3868072865207522]
  海洋プロペラの設計への適用は、訓練データの不足と、広く利用可能な事前訓練されたモデルの不足により、依然として困難である。 我々は,2万以上の4枚と5枚以上のプロペラジオメトリのデータベースを構築し,それぞれに模擬オープンウォーター性能曲線を伴って構築する。 本研究では, 海洋プロペラに適した直接性能・設計生成のための生成AIフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-24T05:01:21Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• 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)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
  本稿では,FuncGenFoilについて紹介する。FuncGenFoilは,翼形状を関数曲線として直接再構成する関数空間生成モデルである。 実証的な評価は、FuncGenFoilが翼生成における最先端の手法を改善することを示している。
  論文  参考訳（メタデータ） (2025-02-15T07:56:58Z)
• 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)
• Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
  拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。 我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
  論文  参考訳（メタデータ） (2024-08-28T16:12:16Z)
• A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics [0.5018156030818882]
  本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。 我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。 条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
  論文  参考訳（メタデータ） (2023-05-28T09:46:18Z)

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。