اکسپرس 24
ترجمه فارسی مقاله به سوی مدل‌سازی جایگزین آیرودینامیکی مبتنی بر خودرمزگذارهای متغیر β

ترجمه فارسی مقاله به سوی مدل‌سازی جایگزین آیرودینامیکی مبتنی بر خودرمزگذارهای متغیر β

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Towards aerodynamic surrogate modeling based on $β$-variational autoencoders
عنوان مقاله به فارسی به سوی مدل‌سازی جایگزین آیرودینامیکی مبتنی بر خودرمزگذارهای متغیر β
نویسندگان Víctor Francés-Belda, Alberto Solera-Rico, Javier Nieto-Centenero, Esther Andrés, Carlos Sanmiguel Vila, Rodrigo Castellanos
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
دسته بندی موضوعات Machine Learning,Fluid Dynamics,یادگیری ماشین , دینامیک سیال ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: 18 pages, 12 figures
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 18 صفحه ، 12 شکل

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 720,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Surrogate models combining dimensionality reduction and regression techniques are essential to reduce the need for costly high-fidelity CFD data. New approaches using $β$-Variational Autoencoder ($β$-VAE) architectures have shown promise in obtaining high-quality low-dimensional representations of high-dimensional flow data while enabling physical interpretation of their latent spaces. We propose a surrogate model based on latent space regression to predict pressure distributions on a transonic wing given the flight conditions: Mach number and angle of attack. The $β$-VAE model, enhanced with Principal Component Analysis (PCA), maps high-dimensional data to a low-dimensional latent space, showing a direct correlation with flight conditions. Regularization through $β$ requires careful tuning to improve the overall performance, while PCA pre-processing aids in constructing an effective latent space, improving autoencoder training and performance. Gaussian Process Regression is used to predict latent space variables from flight conditions, showing robust behavior independent of $β$, and the decoder reconstructs the high-dimensional pressure field data. This pipeline provides insight into unexplored flight conditions. Additionally, a fine-tuning process of the decoder further refines the model, reducing dependency on $β$ and enhancing accuracy. The structured latent space, robust regression performance, and significant improvements from fine-tuning collectively create a highly accurate and efficient surrogate model. Our methodology demonstrates the effectiveness of $β$-VAEs for aerodynamic surrogate modeling, offering a rapid, cost-effective, and reliable alternative for aerodynamic data prediction.

چکیده به فارسی (ترجمه ماشینی)

مدل های جانشین ترکیب کاهش ابعاد و تکنیک های رگرسیون برای کاهش نیاز به داده های CFD با وفاداری پر هزینه ضروری هستند.رویکردهای جدید با استفاده از معماریهای AutoEncoder ($ β $ $) $ β $ ($ β $ -VAE) نوید را در به دست آوردن بازنمایی های با کیفیت پایین با کیفیت بالا از داده های جریان با ابعاد بالا نشان داده اند ، در حالی که امکان تفسیر فیزیکی از فضاهای نهفته خود را دارند.ما یک مدل جانشین را بر اساس رگرسیون فضایی نهفته پیشنهاد می کنیم تا با توجه به شرایط پرواز ، توزیع فشار را بر روی بال ترانسونیک پیش بینی کنیم: تعداد ماچ و زاویه حمله.مدل $ β $ -VAE ، با تجزیه و تحلیل مؤلفه اصلی (PCA) ، داده های با ابعاد بالا را به یک فضای نهفته با ابعاد پایین تبدیل می کند ، و همبستگی مستقیمی با شرایط پرواز نشان می دهد.تنظیم مجدد از طریق $ β $ برای بهبود عملکرد کلی نیاز به تنظیم دقیق دارد ، در حالی که PCA در ساخت یک فضای نهفته مؤثر ، بهبود آموزش و عملکرد AutoEncoder کمک می کند.رگرسیون فرآیند گاوسی برای پیش بینی متغیرهای فضای نهفته از شرایط پرواز استفاده می شود ، و رفتار قوی مستقل از β $ را نشان می دهد ، و رمزگشایی داده های میدان فشار با ابعاد بالا را بازسازی می کند.این خط لوله بینش در مورد شرایط پرواز ناشناخته را فراهم می کند.علاوه بر این ، یک فرآیند تنظیم دقیق از رمزگشایی بیشتر مدل را اصلاح می کند و وابستگی به $ β $ و افزایش دقت را کاهش می دهد.فضای نهفته ساختاری ، عملکرد رگرسیون قوی و پیشرفت های چشمگیر از تنظیم دقیق به طور جمعی یک مدل جانشین بسیار دقیق و کارآمد ایجاد می کند.روش ما اثربخشی $ β $-VAE را برای مدل سازی جانشین آیرودینامیکی نشان می دهد و یک جایگزین سریع ، مقرون به صرفه و قابل اعتماد برای پیش بینی داده های آیرودینامیکی ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.