工程形状优化中的生成式与非生成式模型
机器学习
2024-02-14 v1
摘要
在这项工作中，我们系统比较了生成式和非生成式模型在构建用于新颖高效设计探索和形状优化的设计空间方面的有效性和效率。我们将这些模型应用于翼型/水翼设计案例，并对 resulting 设计空间进行比较。传统的生成对抗网络 (GAN) 和最先进的生成式模型——性能增强多样性生成对抗网络 (PaDGAN)，与基于 Karhunen-Lo\`eve 展开和物理感知形状特征向量 (SSV-KLE) 耦合的线性非生成式模型进行了并置比较。比较表明，通过适当的形状编码和物理增强的设计空间，非生成式模型具有以具有成本效益的方式生成高性能有效设计的潜力，并能增强设计空间的覆盖率。在这项工作中，两种方法均应用于两个大型翼型剖面数据集，这些数据集包含通过剖面生成参数模型或深度学习方法生成的真实和人工设计。这些数据集进一步丰富了其成员形状的积分属性以及物理感知参数。我们的结果表明，非生成式模型构建的设计空间在设计有效性方面优于生成式模型，与生成式模型相比，生成了具有零个或显著更少无效设计的鲁棒潜在空间。我们希望这些发现能帮助工程设计社区在构建用于形状优化的设计空间时做出明智的决策，因为我们已经表明，在某些条件下，计算成本低廉的方法可以 closely match 甚至超越最先进的生成式模型。
引用
@article{arxiv.2402.08540,
title = {Generative VS non-Generative Models in Engineering Shape Optimization},
author = {Muhammad Usama and Zahid Masood and Shahroz Khan and Konstantinos Kostas and Panagiotis Kaklis},
journal= {arXiv preprint arXiv:2402.08540},
year = {2024}
}