АНАЛІЗ МЕТОДІВ ПІДВИЩЕННЯ РІВНЯ АВТОМАТИЗАЦІЇ РОБОЧОГО МІСЦЯ КОНСТРУКТОРА АЕРОДИНАМІЧНИХ ВИРОБІВ
DOI:
https://doi.org/10.34185/1562-9945-2-157-2025-10Ключові слова:
автоматизоване робоче місце, конструювання аеродинамічних виробів, нейронні мережі, PINNs, квантові обчислення, рівняння Нав’є-Стокса, 3D-моделювання, CFD.Анотація
Підвищення рівня автоматизації виробничих процесів завжди призводило до значного приросту ефективності виробництва, що в свою чергу викликало стрімкий економічний розвиток суспільства. Сфера виробництва аеродинамічних виробів вже зазнала автоматизації на різних етапах, проте фаза конструювання аеродинамічної форми виробу все ще потребує часових витрат вузькоспеціалізованого фахівця. Аеро-динаміка є сферою великих складних математичних обчислень, а моделювання виробів із необхідними характеристиками все ще залишається здебільшого ручним процесом. Із розвитком машинного навчання ці складні процеси можуть бути в значній мірі ав-томатизовані. В цій статті проведено порівняльний аналіз різних напрацювань в сфері автоматизації конструювання аеродинамічних виробів. Впровадження таких техноло-гій як PINNs та квантових обчислень на різних етапах конструювання аеродинамічних виробів за результатами порівняльного аналізу було визначено як найбільш перспекти-вний напрямок для подальших досліджень.
Посилання
Methods of representation of 3d objects for learning generative neural networks. Yevhenii Ruksov, Borys Moroz, Leonid Kabak, Dmytro Moroz. – Information Technology: Computer Science, Software Engineering and Cyber Security, 2024. – 12 p. DOI: https://doi.org/10.32782/IT/2024-1-8.
3D-R2N2: A Unified Approach for Single and Multi-view 3D Object Reconstruction. Christopher B. Choy, Danfei Xu, JunYoung Gwak, Kevin Chen, Silvio Savarese. – Archive of scientific articles arXiv, 2016. – 17 p. arXiv: 1604.00449.
AtlasNet: A Papier-Mache Approach to Learning 3D Surface Generation. Thibault Groueix, Matthew Fisher, Vladimir G. Kim, Bryan C. Russell, Mathieu Aubry. – Archive of scientific articles arXiv, 2018. – 16 p. arXiv: 1802.05384.
Occupancy Networks: Learning 3D Reconstruction in Function Space. Lars Mescheder, Michael Oechsle, Michael Niemeyer, Sebastian Nowozin, Andreas Geiger. – Archive of scientific articles arXiv, 2019. – 11 p. arXiv: 1812.03828.
PolyGen: An Autoregressive Generative Model of 3D Meshes. Charlie Nash, Yaroslav Ganin, S. M. Ali Eslami, Peter W. Battaglia. – Archive of scientific articles arXiv, 2020. – 16 p. arXiv: 2002.10880.
Quantum artificial neural network architectures and components. Ajit Narayanan, Tammy Menneer. – Informatics and Computer Science Intelligent Systems Applications. An International Journal, 2000. – 24 p. DOI: https://doi.org/10.1016/S0020-0255(00)00055-4.
Comparison between classical numerical methods and methods based on Deep Learning for solving PDEs. Marcos Freire Patiño, Ana María Ferreiro Ferreiro, José Antonio García Rodríguez. – Diploma work in computer engineering. University of A Coruña. Spain, 2024. – 75 p.
URL: https://ruc.udc.es/dspace/bitstream/handle/2183/39635/FreirePatino_Marcos_TFG_2024.pdf.
Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations. Maziar Raissi, Paris Perdikaris, George Em Karniadakis. – Archive of scientific articles arXiv, 2017. – 22 p. arXiv: 1711.10561.
Physics Informed Deep Learning (Part II): Data-driven Solutions of Nonlinear Partial Differential Equations. Maziar Raissi, Paris Perdikaris, George Em Karniadakis. – Archive of scientific articles arXiv, 2017. – 19 p. arXiv: 1711.10566.
Physics Informed Extreme Learning Machine (PIELM) – a rapid method for the numerical solution of partial differential equations. Vikas Dwivedi, Balaji Srinivasan. – Archive of scientific articles arXiv, 2019. – 29 p. arXiv: 1907.03507.
CAN-PINN: A Fast Physics-Informed Neural Network Based on Coupled-Automatic-Numerical Differentiation Method. Pao-Hsiung Chiu, Jian Cheng Wong, Chinchun Ooi, My Ha Dao, Yew-Soon Ong. – Archive of scientific articles arXiv, 2022. – 25 p. DOI: https://doi.org/10.1016/j.cma.2022.114909.
AQ-PINNs: Attention-Enhanced Quantum Physics-Informed Neural Networks for Carbon-Efficient Climate Modeling. Siddhant Dutta, Nouhaila Innan, Sadok Ben Yahia, Muhammad Shafique. – Archive of scientific articles arXiv, 2024. – 6 p. arXiv: 2409.01626.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
