DrivAerNet：用于数据驱动空气动力学设计与预测的参数化汽车数据集
机器学习
2025-07-08 v2 计算工程、金融与科学
流体动力学
摘要
本研究介绍了 DrivAerNet，一个包含 3D 行业标准汽车外形的大规模高保真计算流体力学 (CFD) 数据集，以及 RegDGCNN，一个动态图卷积神经网络模型，两者均旨在通过机器学习进行空气动力学汽车设计。DrivAerNet 拥有 4000 个详细的 3D 汽车网格，使用 50 万个表面网格面，以及包含完整 3D 压力场、速度场和壁面剪切应力的全面空气动力学性能数据，解决了在工程应用中训练深度学习模型对大规模数据集的迫切需求。它比先前可用的最大汽车公开数据集大 60%，并且是唯一一个也对车轮和车身底部进行建模的开源数据集。RegDGCNN 利用这一大规模数据集，直接从 3D 网格提供高精度的阻力估算，绕过了传统限制，例如需要 2D 图像渲染或符号距离函数 (SDF)。通过在数秒内实现快速阻力估算，RegDGCNN 促进了快速的空气动力学评估，为将数据驱动方法集成到汽车设计中提供了实质性的飞跃。DrivAerNet 和 RegDGCNN 共同有望加速汽车设计过程，并助力开发更高效的汽车。为给该领域的未来创新奠定基础，我们研究中使用的数据集和代码已在 https://github.com/Mohamedelrefaie/DrivAerNet 上公开访问。
引用
@article{arxiv.2403.08055,
title = {DrivAerNet: A Parametric Car Dataset for Data-Driven Aerodynamic Design and Prediction},
author = {Mohamed Elrefaie and Angela Dai and Faez Ahmed},
journal= {arXiv preprint arXiv:2403.08055},
year = {2025}
}