通过建立船舶设计机器学习工具,结合该论文提供的三万条船舶数据集,包括设计和功能表现信息,海洋水动力拖力系数等,发展一种以数据驱动的船舶设计方法,并使用代理模型和遗传算法将船舶波浪阻力降低 60%。
May, 2023
本研究提出 ShipHullGAN,一个基于深度卷积生成对抗网络的通用参数模型构建器,能够生成船体和提供几何上有效和实用的传统和新颖设计。
Apr, 2023
本文提出了一个深度学习物理优化 (DLPO) 框架,用于设置迪斯堡测试用例 (DTC) 集装箱船的形状优化研究,并展示了两个不同的应用程序:(1) 敏感度分析,用于检测最有前途的通用基础船体形状,以及 (2) 多目标优化,用于量化最优船体形态之间的权衡。DLPO 框架允许自动端到端地评估设计迭代。该模型是由 Extrality 的 Deep Learning Physics (DLP) 模型与 CAD 引擎和优化器相结合而实现。我们的 DLP 模型训练完整的来自 RANS 模拟的三维体积数据,可以实时提供准确和高质量的三维流预测,从而使其成为评估新集装箱船设计在水动力效率方面优化的良好评估器。最终,我们得出结论 DLPO 框架是加速船舶设计过程,并导致具有更好水动力性能的更有效的船舶的有前途的工具。
Jun, 2023
我们的研究聚焦于船舶图像的超分辨率问题,在基于扩散模型的架构中,利用文本条件的训练来生成超分辨率图像,同时探索了该模型在分类和目标检测等下游任务中的潜在应用。
Mar, 2024
利用生成敌对网络构建了船体设计的生成设计空间,通过三种不同的数据探索方法来找到一种平衡设计创新和性能的最有效的方法。
通过将建筑信息模型 (BIM) 与生成式人工智能结合,本研究提出了一种智能结构设计流程,引入了扩散模型 (DMs) 等新技术,以替代当前存在的一些限制,并展示了 Diffusion Models (DMs) 在土木工程中具有强大的生成和表示能力,表明其有潜力取代 GANs 成为生成问题的新标杆。
Nov, 2023
该论文提出了一个用于生成结构组件设计的框架,利用潜在扩散模型生成满足一系列问题特定加载条件的潜在设计,从而具有编辑现有设计的优势。通过使用结构拓扑优化得到的几何数据集进行训练,我们的框架生成了近乎最优的设计,并提供了定量结果支持生成设计的结构性能和潜在候选设计的变化性,以及框架的可扩展性的证据。此框架可用作生成类似拓扑优化设计的新近乎最优设计的起点。
Sep, 2023
本研究探讨了在无人水下器(UUV)的设计过程中,采用计算流体动力学(CFD)与基于深度神经网络(DNN)的代理模型相结合,通过贝叶斯优化(BO)实现高效样本及快速数据驱动的 UUV 设计优化问题,结果表明,BO LCB 算法是最具高效的优化框架,DNN 代理模型可以实现计算的极速提升与相关精度的优化。
本文提出了基于物理学的指导,通过优化预测模型的性能指标来生成图像,并在 Stable Diffusion 中添加了阻力引导,以生成具有最小预测阻力系数的新型车辆图像。
该研究介绍了一种利用图注意力网络和表格扩散模型进行生成补全的生成补全模型,用于完善工程设计中的缺失参数数据。
Jun, 2024