文献

J-GLOBAL ID：202202287234899423   整理番号：22A0654165

高忠実度解からの機械学習ベース物理推論:渦コアデータ抽出【JST・京大機械翻訳】

Machine Learning Based Physics Inference from High-Fidelity Solutions: Vortex Core Data Extraction

著者 (2件)： Abras Jennifer (DoD HPCMP CREATE) ,  Hariharan Nathan S. (DoD HPCMP CREATE)
資料名： AIAA Conference Proceedings / Meeting Papers  (AIAA Conference Proceedings / Meeting Papers)
巻： 2022  号： AIAA SCITECH 2022 Forum  ページ： 1683  発行年： 2022年 
JST資料番号： H0236B  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 機械学習の分野は広く,多くの異なる領域と応用をカバーしている。本論文では,ホバリングロータ後流からの3D計算結果からの渦コア抽出の自動化のための機械学習技術の適用に焦点を当てた。この方法論は,教師つき畳込みニューラルネットワークと教師なしクラスタリング機械学習技術の組み合わせを利用する。この努力は,プロセスの効率およびロバスト性を高めるために,オブジェクト局在化および教師なしクラスタリング法の追加による事前研究の構築である。渦コアデータを抽出するための組合せ機械学習プロセスを,多重ロータ後流上で首尾よく実証した。この方法論を適用して,計算したホバ-覚醒破壊を調べた。3Dロータ後流計算データからのピーク対ピーク先端渦プロファイルのような渦コア特性の抽出は,強力に手動で時間のかかるプロセスであり,現在の作業は,このプロセスを機械学習支援を用いて完全に自動化する。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 伴流 ,  自動化 ,  データ ,  回転子 ,  ニューラルネットワーク ,  多重化 ,  クラスタ分析 ,  覚醒 ,  三次元 ,  ロバスト性 ,  *機械学習
準シソーラス用語： 学習過程 ,  *データ抽出 ,  クラスタリング法 ,  教師なしクラスタリング ,  機械学習技術 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 航空機の空気力学  (QK02010T) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 高忠実度 ,  解 ,  機械学習 ,  物理 ,  推論 ,  渦 ,  コア ,  データ抽出