基于深度与法向渲染图的汽车阻力系数代理建模
机器学习
2023-06-13 v1 计算工程、金融与科学
计算机视觉与模式识别
摘要
生成式 AI 模型在自动化创建 3D 形状方面取得了显著进展，有望变革汽车设计。在工程设计与优化中，评估工程指标至关重要。为使生成模型具备性能感知能力并能够创造高性能设计，有必要对这些指标进行代理建模。然而，当前使用的三维（3D）形状表示要么需要大量计算资源来学习，要么存在严重的信息损失，从而削弱了其在代理建模中的有效性。为解决此问题，我们提出了一种全新的二维（2D）3D 形状表示。我们基于该表示开发了阻力代理模型，以验证其在预测 3D 汽车阻力方面的有效性。我们构建了一个包含 9,070 个高质量 3D 汽车网格的多样化数据集，其阻力系数标签由计算流体动力学（CFD）仿真得出，用于训练我们的模型。实验表明，我们的模型能够准确高效地评估阻力系数，在各汽车类别上 值高于 0.84。此外，所提出的表示方法可推广至汽车之外的许多其他产品类别。我们的模型使用深度神经网络实现，使其与近期 AI 图像生成工具（如 Stable Diffusion）兼容，并向自动生成阻力优化汽车设计迈出了重要一步。我们已在 https://decode.mit.edu/projects/dragprediction/ 公开数据集与代码。
引用
@article{arxiv.2306.06110,
title = {Surrogate Modeling of Car Drag Coefficient with Depth and Normal Renderings},
author = {Binyang Song and Chenyang Yuan and Frank Permenter and Nikos Arechiga and Faez Ahmed},
journal= {arXiv preprint arXiv:2306.06110},
year = {2023}
}