Efficient Aircraft Design Optimization Using Multi-Fidelity Models and Multi-fidelity Physics Informed Neural Networks

要約

航空機設計の最適化は従来、有限要素法 (FEM) や有限体積法 (FVM) などの計算量のかかるシミュレーション技術に依存していましたが、これらは正確ではあるものの、設計の反復プロセスが大幅に遅くなる可能性があります。
課題は、複数の設計代替案を迅速に評価するために高い精度を維持しながら、計算の複雑さを軽減することにあります。
この研究では、より効率的な航空機設計評価を達成するための、サロゲート モデル、低次数モデル (ROM)、および多重忠実度機械学習技術などの高度な手法を探求します。
具体的には、この研究では、設計ジオメトリを洗練するための敵対的生成ネットワーク (GAN) の可能性とともに、多様体アライメントのためのマルチ忠実度物理情報ニューラル ネットワーク (MPINN) とオートエンコーダーの応用を調査しています。
この研究は、概念実証タスクを通じて、低忠実度のシミュレーションから高忠実度の結果を予測する能力を実証し、より高速でコスト効率の高い航空機設計の反復への道を提供します。

要約(オリジナル)

Aircraft design optimization traditionally relies on computationally expensive simulation techniques such as Finite Element Method (FEM) and Finite Volume Method (FVM), which, while accurate, can significantly slow down the design iteration process. The challenge lies in reducing the computational complexity while maintaining high accuracy for quick evaluations of multiple design alternatives. This research explores advanced methods, including surrogate models, reduced-order models (ROM), and multi-fidelity machine learning techniques, to achieve more efficient aircraft design evaluations. Specifically, the study investigates the application of Multi-fidelity Physics-Informed Neural Networks (MPINN) and autoencoders for manifold alignment, alongside the potential of Generative Adversarial Networks (GANs) for refining design geometries. Through a proof-of-concept task, the research demonstrates the ability to predict high-fidelity results from low-fidelity simulations, offering a path toward faster and more cost effective aircraft design iterations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google