面向车辆气动优化的工业级 CFD 数据集 DrivAerStar
机器学习
2025-11-03 v2 人工智能
摘要
车辆气动优化对于汽车电动化至关重要，因为减小气动阻力直接决定了电动汽车的续航与能源效率。传统方法面临难以调和的权衡：计算昂贵的计算流体动力学 (CFD) 仿真需要数周才能完成每个设计迭代，或采用简化模型牺牲生产级准确率。虽然机器学习提供了变革性潜力，但现有数据集存在根本性局限——网格分辨率不足、遗漏车辆组件、验证误差超过 5%——阻止其在工业工作流程中部署。我们提出 DrivAerStar，包含 12,000 个工业级汽车 CFD 仿真，使用 STAR-CCM+ 软件生成。该数据集通过自由形变 (FFD) 算法系统性地探索了三个车辆配置中的 20 个计算机辅助设计 (CAD) 参数，包括具有真实内部气流的完整发动机舱和冷却系统。DrivAerStar 通过细化网格策略并严格控制墙面 控制，实现风洞验证准确率低于 1.04%——比现有数据集提高了五倍——通过基准测试表明，基于该数据训练的模型可实现生产就绪准确率，同时将计算成本从数周缩短至数分钟。这标志着首个桥接学术机器学习研究与工业 CFD 实践的数据集，为汽车开发中数据驱动气动优化树立了新标准。除了汽车应用外，DrivAerStar 还展示了一个范式，将高保真物理仿真与人工智能 (AI) 集成的典范，跨越计算约束限制创新的工程学科。
引用
@article{arxiv.2510.16857,
title = {DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization},
author = {Jiyan Qiu and Lyulin Kuang and Guan Wang and Yichen Xu and Leiyao Cui and Shaotong Fu and Yixin Zhu and Ruihua Zhang},
journal= {arXiv preprint arXiv:2510.16857},
year = {2025}
}