面向数据驱动汽车空气动力学的系统性数据集生成技术

在利用神经网络进行汽车几何体阻力预测的背景下，开发了一种新颖的数据集生成策略。该领域的主要挑战是构建规模足够大且具有多样性的训练数据库。我们的方法依赖于少量起始数据点，并提供了一套在它们之间系统性插值的方案，以期望的质量生成任意数量的样本。我们使用真实的汽车几何体对该策略进行了测试，证明卷积神经网络在预测阻力系数和表面压力方面表现极为出色。在测试外推性能方面获得了有前景的结果。我们的方法可以应用于其他气动外形优化问题。