基于真实汽车外部气动力学数据集的卷积神经网络与图神经网络代理模型基准测试
机器学习
2025-08-05 v1
摘要
气动优化对于开发环保、航气且时尚的汽车至关重要，需要气动学家与造型师之间的紧密合作，而这种合作因气动模拟耗时而受到阻碍。代理模型是一种可行的解决方案，可显著降低这种开销，但在真实世界气动力学数据集上尚未得到充分测试。我们对两种用于预测车辆阻力的代理模型方法进行了比较评估：一种使用标志距离场作为输入的卷积神经网络（CNN）模型，另一种直接处理表面网格的商业工具基于图神经网络（GNN）。与基于参数化几何创建数据集的先前研究不同，我们的数据集包含 343 个几何构件，源自 32 个基准车辆几何构件，跨越五个不同的汽车项目，反映了典型车辆开发过程中常见的多样化、非参数化修改。我们的结果表明，CNN 方法的平均绝对误差为 2.3 个阻力计数，而 GNN 方法为 3.8。两种方法在预测相对于基准几何构件阻力变化方向的准确率约为 77%。虽然两种方法都有效捕捉了基准组之间更广泛的趋势（源自单个基准几何构件的一组样本），但在捕捉基准组内部更细微的变动方面则受到不同程度的限制。总而言之，我们的发现表明，气动学家可以在不到两分钟的时间内有效地使用这两种方法来预测阻力，这至少快 600 倍于进行仿真。然而，在捕捉几何细节方面仍有提升空间。
引用
@article{arxiv.2504.06699,
title = {Benchmarking Convolutional Neural Network and Graph Neural Network based Surrogate Models on a Real-World Car External Aerodynamics Dataset},
author = {Sam Jacob Jacob and Markus Mrosek and Carsten Othmer and Harald Köstler},
journal= {arXiv preprint arXiv:2504.06699},
year = {2025}
}