TripNet：利用三平面网络学习大规模高保真三维汽车空气动力学
流体动力学
2025-05-26 v2 机器学习
摘要
代理建模已成为加速计算流体动力学（CFD）模拟的强大工具。现有的基于点云、体素、网格或图的三维几何学习模型依赖于显式几何表示，这些表示内存密集且分辨率受限。对于具有数百万节点和单元的大规模模拟，现有模型由于依赖于网格分辨率而需要激进的下采样，导致精度下降。我们提出了TripNet，一个基于三平面的神经框架，将三维几何隐式编码为固定维度的紧凑连续特征图。与依赖网格的方法不同，TripNet可扩展到高分辨率模拟而无需增加内存成本，并以基于查询的方式在任意空间位置实现CFD预测，独立于网格连通性或预定义节点。TripNet在DrivAerNet和DrivAerNet++数据集上实现了最先进的性能，准确预测阻力系数、表面压力和完整的三维流场。凭借支持多个模拟任务的统一三平面主干，TripNet为传统CFD求解器和现有代理模型提供了一种可扩展、准确且高效的替代方案。
引用
@article{arxiv.2503.17400,
title = {TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks},
author = {Qian Chen and Mohamed Elrefaie and Angela Dai and Faez Ahmed},
journal= {arXiv preprint arXiv:2503.17400},
year = {2025}
}