- Суррогатное моделирование на основе активного обучения для эффективного моделирования параметрических нелинейных систем (arXiv)
Автор: Harshit Kapadia, Lihong Feng, Peter Benner.
Аннотация: Когда требуются повторные оценки различных конфигураций параметров высокоточной физической модели, желательны суррогатные методы моделирования, основанные на уменьшении порядка модели. В отсутствие основных уравнений, описывающих динамику, нам необходимо построить параметрическую суррогатную модель пониженного порядка ненавязчивым образом. В этом случае обычная оценка ошибки на основе невязки для выборки оптимальных параметров, связанная с методом сокращенного базиса, недоступна напрямую. Наша работа обеспечивает ненавязчивый критерий оптимальности для эффективного заполнения моментальных снимков параметров, что позволяет нам эффективно строить параметрическую суррогатную модель. Мы рассматриваем отдельные подпространства правильной ортогональной декомпозиции (POD) для конкретных параметров и предлагаем суррогатную модель, основанную на активном обучении, с использованием неглубоких нейронных сетей на основе ядра, сокращенно суррогатную модель ActLearn-POD-KSNN. Чтобы продемонстрировать справедливость предложенных нами идей, мы представляем численные эксперименты с использованием двух физических моделей, а именно уравнения Бюргерса и уравнений мелкой воды. Обе модели имеют смешанные — конвективные и диффузионные — эффекты в соответствующих областях параметров, причем каждая из них доминирует в определенных регионах. Предложенная суррогатная модель ActLearn-POD-KSNN эффективно предсказывает решение в новых местоположениях параметров, даже для настройки с несколькими взаимодействующими профилями ударов.
2. Суррогатное моделирование коэффициента лобового сопротивления автомобиля с визуализацией глубины и нормалей (arXiv)
Автор: Binyang Song, Chenyang Yuan, Frank Permenter, Nikos Arechiga, Faez Ahmed.
Аннотация: генеративные модели ИИ добились значительного прогресса в автоматизации создания 3D-форм, которые могут изменить дизайн автомобиля. В инженерном проектировании и оптимизации оценка инженерных показателей имеет решающее значение. Чтобы генеративные модели учитывали производительность и позволяли создавать высокопроизводительные проекты, необходимо суррогатное моделирование этих показателей. Однако используемые в настоящее время представления трехмерных (3D) форм либо требуют обширных вычислительных ресурсов для обучения, либо страдают от значительной потери информации, что снижает их эффективность в суррогатном моделировании. Для решения этой проблемы мы предлагаем новое двухмерное (2D) представление трехмерных фигур. Мы разрабатываем суррогатную модель сопротивления на основе этого представления, чтобы проверить ее эффективность при прогнозировании трехмерного сопротивления автомобиля. Мы создаем разнообразный набор данных из 9070 высококачественных трехмерных автомобильных сеток, помеченных коэффициентами сопротивления, рассчитанными на основе моделирования вычислительной гидродинамики (CFD), для обучения нашей модели. Наши эксперименты показывают, что наша модель может точно и эффективно оценивать коэффициенты лобового сопротивления со значением R2 выше 0,84 для различных категорий автомобилей. Кроме того, предложенный метод представления может быть распространен на многие другие товарные категории помимо автомобилей. Наша модель реализована с использованием глубоких нейронных сетей, что делает ее совместимой с последними инструментами генерации изображений ИИ (такими как Stable Diffusion) и является важным шагом на пути к автоматическому созданию конструкций автомобилей с оптимизированным сопротивлением. Мы сделали набор данных и код общедоступными по адресу https://decode.mit.edu/projects/dragprediction/.
