Feb, 2024

工程形状优化中的生成模型与非生成模型

PDF
TL;DR比较了生成模型和非生成模型在构建设计空间和形状优化中的有效性和效率，并发现根据物理信息参数设计空间的非生成模型能够以更低的成本生成高性能、有效设计，并且能够在设计有效性方面超越生成模型。
generative modelsnon-generative modelsdesign spacesshape optimizationphysics-informed parameters
发现论文，激发创造
  • 高效三维翼型参数化与生成的深度生成模型

    本研究提出了一种名为 “Free-Form Deformation Generative Adversarial Networks (FFD-GAN)” 的深度生成模型，可用于三维空气动力学 / 水力学形状优化，例如机翼、涡轮叶片、汽车车身和船体。该模型通过一组紧凑的设计变量映射到表示形状的三维表面点，具有高表征容量 / 紧凑度，并能够加速形状优化。

    Jan, 2021

  • 物理引导的训练 GAN 提高气动翼型设计合成的准确性

    通过物理引导训练生成对抗网络（GAN）模型，在不使用训练数据集的情况下，生成全新的形状，并且改善了现有 GAN 模型的准确性和物理有效性。

    Aug, 2023

  • 针对平滑机翼设计的生成对抗网络定制

    在航空航天设计领域，实现平滑曲线至关重要，特别是在制作如翼型等物体时。生成对抗网络（GAN）作为一种广泛使用的生成人工智能技术，在合成翼型设计方面已经证明其重要性。然而，GAN 的一个普遍限制是生成的翼型表面缺乏平滑性。为了解决这个问题，我们提出了一个具有定制损失函数的 GAN 模型，用于产生无缝轮廓的翼型设计。此外，相比于采用后处理平滑滤波器的传统 GAN，我们的模型在设计多样性方面表现出了显著增加。

    Apr, 2024

  • 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

  • 几何生成对抗网络

    该研究揭示了 GAN 模型的几何思想，提出了通过 SVM 分离超平面最大化间隔的几何 GAN，证明了其可以收敛到鞍点，并显示其优越的性能。

    May, 2017

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 物理感知变分自动编码器的紧凑直观翼型参数化方法

    通过使用物理感知的变分自动编码器，我们开发了一种新颖的翼型参数化方法，该方法明确地将翼厚和弯曲分布的生成分开，从而改善了可行性，同时将其潜在维度直接与翼型的几何特征对齐，显著增强了直观性。通过进行广泛的比较研究，我们展示了我们的方法的有效性。

    Nov, 2023

  • 利用自编码器和生成对抗网络的协同框架合成气动学中翼型气动力学计算流体力学结果

    本研究将自动编码器和生成对抗网络相结合，以生成计算流体动力学结果。研究结果表明该方法具有潜在能力，可降低空气动力学预测的时间和成本，为计算流体动力学中的计算技术的进一步提高和改进提供可能性。

    May, 2023

  • 生成对抗网络的 “可操控性

    该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

    Jul, 2019

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021