DrivAer Transformer：基于 DrivAerNet++ 数据集的车辆气动阻力系数高精度快速预测方法

在当前階段，深度學習方法在評估氣動性能方面展現了優異能力，顯著縮減了傳統計算流體動力學(CFD)仿真所需的時間與成本。然而，在處理極其複雜三維(3D)車輛模型時，缺乏大規模數據集與訓練資源，以及不同車輛模型幾何的異質性與複雜性，使得這些網路的預測準確度與靈活性尚未達到當前生產需求的水平。鑑於Transformer模型在自然語言處理領域的卓越成功及其在圖像處理領域的強大潛力，本研究創新性地提出了一種稱為DrivAer Transformer(DAT)的點雲學習框架。DAT結構運用包含工業標準3D車輛形狀高保真CFD數據的DrivAerNet++數據集，使可直接從3D網格對空氣阻力進行精確估計，從而避免了傳統方法如2D圖像渲染或符號距離場(SDF)的限制。DAT實現了快速且精確的阻力預測，推動了氣動評估流程的演進，為引入數據驅動的汽車設計奠定了關鍵基礎。該框架預期將加速車輛設計流程，提高開發效率。