境界データに基づくパラメトリック三次元流の予測に対する物理情報深層学習の研究【JST・京大機械翻訳】

Heger Philip; Full Markus; Hilger Daniel; Hosters Norbert

プレプリント

J-GLOBAL ID：202202206103041319 整理番号：22P0305854

境界データに基づくパラメトリック三次元流の予測に対する物理情報深層学習の研究【JST・京大機械翻訳】

Investigation of Physics-Informed Deep Learning for the Prediction of Parametric, Three-Dimensional Flow Based on Boundary Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月17日プレプリントサーバーでの情報更新日： 2022年03月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

自動車産業では,温度感受性と安全臨界部品の配置が重要である。従って,これらの部品が潜在的安全問題に対して評価される新しい車両の設計段階でも不可避である。しかし,設計提案数の増加により,リスク評価は,急速に高価になる。従って,航空熱車両シミュレーションにおける三次元流れ場の予測に対するパラメータ化代理モデルを示した。提案した物理情報ニューラルネットワーク(PINN)設計は,幾何学的変化に従ってフロー解の学習ファミリーを狙った。本研究では,異なる設計シナリオと幾何学的尺度の速度と圧力分布を予測するために,無次元,多変量スキームを効率的に訓練できることを示した。提案アルゴリズムは,三次元フローモデリングに必要な大規模データセットの利用を可能にするパラメトリックミニバッチ訓練に基づいている。さらに,1つの静的データセットで操作できる連続再サンプリングアルゴリズムを導入した。本方法論のあらゆる特徴を個々に試験し,従来のCFDシミュレーションに対して検証した。最後に,提案手法を,典型的な実世界自動車アプリケーションの文脈で適用した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

自動車設計・構造・材料一般 , 人工知能

, , , ,

前のページに戻る