GA-Field：几何感知的车辆气动场预测
计算工程、金融与科学
2026-02-25 v1
摘要
准确的气动场预测对于车辆 drag 评估至关重要，但高保真 CFD 的计算成本阻碍了其在迭代设计工作流程中的应用。虽然基于学习的方法能够实现快速且可扩展的推断，但准确的气动场建模仍然具有挑战性，因为它需要捕捉长程几何效应和细粒度流动结构。现有方法通常仅在输入端对几何进行一次编码，并将预测表述为单次映射，导致全局形状感知被稀释且对锋利局部流动变化的分辨率不足。为此，我们提出了 GA-Field，一种几何感知场预测网络，引入两种互补的设计组件：(i) 一种全局几何注入机制，在多个阶段反复条件化网络对紧凑 3D 几何嵌入，以保持长程几何一致性；(ii) 一种粗到细场 refinement 策略，以恢复锋利的局部气动细节。GA-Field 在 ShapeNet-Car 和大规模 DrivAerNet++ 基准上在表面压力、壁面剪切应力和 3D 速度预测任务上实现了新的最佳性能，同时在不同车辆类别之间展现出强大的超出分布泛化能力。
引用
@article{arxiv.2602.20609,
title = {GA-Field: Geometry-Aware Vehicle Aerodynamic Field Prediction},
author = {Zhenhua Zheng and Lu Zhang and Junhong Zou and Shitong Liu and Zhen Lei and Xiangyu Zhu and Zhiyong Liu},
journal= {arXiv preprint arXiv:2602.20609},
year = {2026}
}