論文の概要: High-Fidelity Aerostructural Dataset of Transonic Wings in Cruise Conditions

• arxiv url: http://arxiv.org/abs/2610.36442v1
• Date: Tue, 27 Oct 2026 00:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.454161
• Title: High-Fidelity Aerostructural Dataset of Transonic Wings in Cruise Conditions
• Title（参考訳）: クルーズ条件下における超音速翼の高忠実空調データ
• Abstract要約: 本稿では,超音速翼の静的空気構造解析のための高忠実度データセットを提案する。 データセットの有用性は、最先端のMLモデルをトレーニングして、空気力学的表面量を予測することで実証される。 多様な超音速翼に対して空気力学と構造応答を結合させることにより、このデータセットは翼設計のための多物理MLモデルの開発、評価、比較のためのベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in machine learning (ML) have the potential to substantially accelerate aircraft wing design, a process that has traditionally required extensive high-fidelity simulation and design iteration. Existing public datasets for ML-based wing design have focused primarily on aerodynamic performance, with limited consideration of the multidisciplinary interactions that govern practical aircraft design. In particular, efficient wing design requires simultaneous consideration of aerodynamic performance and structural integrity, yet no publicly available datasets capture this coupled aerostructural behavior at high-fidelity. To address this need, a high-fidelity multidisciplinary dataset for static aerostructural analysis of transonic wings is introduced. The dataset includes 2471 samples, along with three out-of-distribution samples. The wing planform geometry is parameterized by span, sweep, dihedral, tip chord, and tip twist, while the airfoil cross-sections are parameterized using the class-shape transformation method. The analysis is further parameterized by Mach number, angle of attack, altitude, and structural load factor. The utility of the dataset is demonstrated by training state-of-the-art ML models to predict aerodynamic surface quantities, integrated aerodynamic performance quantities, and the failure distribution of the wingbox. ML models achieve at most 0.0309 normalized root mean squared error (NRMSE) in the prediction of aerodynamic quantities and at most 0.1189 NRMSE in the prediction of failure distribution of the wingbox. By providing coupled aerodynamic and structural responses for a diverse set of transonic wings, this dataset establishes a benchmark for developing, evaluating, and comparing multi-physics ML models for wing design. Broadly, it is intended to encourage creation of similar high-fidelity multi-physics benchmark datasets across engineering domains.
• Abstract（参考訳）: 機械学習(ML)の最近の進歩は航空機の翼の設計を大幅に加速させる可能性がある。 MLベースの翼設計のための既存の公開データセットは主に空力性能に焦点を当てており、実用的な航空機設計を管理する多分野間相互作用を限定的に考慮している。 特に、効率的な翼の設計には、空力性能と構造的整合性を同時に考慮する必要があるが、この結合した空気構造を高忠実に捉えたデータセットは公開されていない。 このニーズに対処するために,超音速翼の静的空気構造解析のための高忠実度多分野データセットを導入した。 データセットには2471のサンプルと3つのアウト・オブ・ディストリビューションサンプルが含まれている。 翼面形状はスパン、スイープ、二面形、先端コード、先端ねじれでパラメータ化され、翼断面はクラス形状変換法でパラメータ化される。 この分析は、マッハ数、攻撃角度、高度、構造的負荷因子によってさらにパラメータ化されている。 このデータセットの実用性は、最先端のMLモデルをトレーニングして、空気力学的表面量、統合された空気力学的性能量、ウィングボックスの故障分布を予測することによって実証される。 MLモデルは、空力量の予測において0.0309の正規化ルート平均二乗誤差(NRMSE)、ウィングボックスの故障分布の予測において0.1189 NRMSEを達成する。 多様な超音速翼に対して空気力学と構造応答を結合させることにより、このデータセットは翼設計のための多物理MLモデルの開発、評価、比較のためのベンチマークを確立する。 広くは、エンジニアリングドメインにまたがる類似の高忠実なマルチ物理ベンチマークデータセットの作成を促進することを目的としている。

関連論文リスト

• Condition-Enhanced Generative Adversarial Network for Aerodynamic Configuration Design of Commercial Aircraft [1.7998705831395252]
  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。
  論文  参考訳（メタデータ） (2026-10-25T11:30:33Z)
• FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction [73.25252821263845]
  計算力学(CFD)は現代工学設計において不可欠であるが、計算コストは高い。 科学モデリングのための機械学習の最近の進歩は強力なサロゲートフレームワークに繋がった。 限られたトレーニングデータの下でのロバストな幾何認識一般化のためのFG-ConvNO(Factized Geometry Convolutional Neural Operator)を提案する。
  論文  参考訳（メタデータ） (2026-10-24T05:21:25Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• SuperWing: a comprehensive transonic wing dataset for data-driven aerodynamic design [19.941629337887484]
  本稿では,超音速旋回翼空力の包括的オープンデータセットであるSuperWingを紹介する。 データセットの翼形状は、単純だが表現力のある幾何パラメータ化を用いて生成される。 データセットの有用性を示すために、表面の流れを正確に予測する2つの最先端トランスフォーマーをベンチマークする。
  論文  参考訳（メタデータ） (2025-12-16T13:35:45Z)
• 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)
• Weight Spectra Induced Efficient Model Adaptation [54.8615621415845]
  微調整された大規模な基礎モデルは、計算コストを禁ずる。 微調整が最上位特異値を大きく増幅する一方で,残りはほとんど無傷であることを示す。 本稿では,トップ特異方向の学習可能な再スケーリングを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T05:03:29Z)
• Capturing Aerodynamic Characteristics of ATTAS Aircraft with Evolving Intelligent System [2.8391355909797644]
  本稿では,ATTAS航空機の空力係数をモデル化するための進化型2量子ファジィニューラルネットワーク(eT2QFNN)の新規展開について述べる。 eT2QFNNは、規則に基づく構造を持つ複数の線形サブモデルを作成することで、非線形航空機モデルを表現することができる。 量子メンバシップ関数を通じて不確実性とデータノイズに対する堅牢性を高める。
  論文  参考訳（メタデータ） (2025-04-28T16:21:20Z)
• 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)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Knowledge-embedded meta-learning model for lift coefficient prediction of airfoils [25.546237636065182]
  攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。 通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。 その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-03-06T02:47:31Z)

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。