Feb, 2018

测地卷积形状优化

PDF
TL;DR该研究提出了一种使用 Geodesic Convolutional 神经网络，通过把原始形状用 poly 立方地图重新映射，使用 GPU 而不是 CPU 进行计算，实现快速准确地优化复杂形状
aerodynamicshape optimizationconvolutional neural networkspolycube mapgradient-based optimization
发现论文，激发创造
  • 黎曼流形上的测地线卷积神经网络

    本文提出了一种称为 “测地线卷积神经网络”（GCNN）的新型神经网络，可用于处理形状相关的任务，例如形状描述，检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”，通过一系列过滤器和线性非线性算子，来学习不变的形状特征，从而获得最先进的性能。

    Jan, 2015

  • DEBOSH：深度贝叶斯形状优化

    本论文证明了使用基于 Ensembles 的技术来评估 Graph Neural Networks 生成的预测的不确定性可以帮助超越传统的基于 Kriging 得到响应面的技术，并在各种气动和结构分析任务中提供更高质量的优化结果和更短的优化时间。

    Sep, 2021

  • 学习三维形状的连续测地卷积

    通过引入局部参考框架和连续卷积核，本文提出了一种神经网络框架，可以从原始网格中学习特征，并在非刚性形状匹配和人体部位分割两项任务中取得了优异的结果。

    Feb, 2020

  • 基于等变卷积的多向流动地球神经网络

    本文提出一种新的方法，可以在曲面上执行信号卷积，并展示其在各种几何深度学习应用中的效用。关键在于基于曲面定义的方向性函数，可以自然地与真实值模板函数进行卷积，并在神经网络的不同层之间保留所有旋转的信息，从而允许传播和关联定向信息。

    Oct, 2018

  • 深度神经运算符可作为准确的形状优化替代方法：以翼型为例的案例研究

    本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。

    Feb, 2023

  • SurfNet：使用深度残差网络生成三维形状表面

    利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

    Mar, 2017

  • 通过深度几何学习实现空气动力外形优化的自动参数化

    该研究提出两种深度学习模型，实现了飞行器气动形状优化的自动形状参数化转换，消除了进一步手工制作的需要。这两种模型是使用深度几何学习来优化参数化，将人类的先验知识嵌入到学习的几何模式中，直接通过移动顶点来操作高维网格数据。LSM 和 DMM 是完全可微分的，可实现基于梯度的端到端管道设计和插入式部署。

    May, 2023

  • 利用贝塞尔生成对抗网络进行翼型参数化设计和优化

    本文提出了一种深度生成模型 Bezier-GAN 来压缩参数化飞行器设计，从而以更紧凑的方式获得充分的可表示容量，同时保持充分的表示容量。在空气动力学设计的示例中，通过分析 Bezier-GAN 的表示能力和紧凑性，结果表明该方法在范围广泛的翼型中学习光滑、逼真的形状表示，并与最先进的参数化方法相比，至少将优化收敛加速两倍。

    Jun, 2020

  • 面向形状的点云分析卷积神经网络

    本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

    Apr, 2020

  • 面向机理的强化学习框架在机翼气动形状优化中的应用

    研究中，我们介绍了一种基于机制的增强学习框架，用于空气动力学翼型形状优化，借助于稳定性较强的双延迟深度确定性策略梯度算法，解决了涉及流体动力学的形状优化的复杂问题。该算法支持翼型形状优化任务，实现了更有针对性和有效的方法。

    Mar, 2024