TripOptimizer：基于三平面 VAE 网络的生成式 3D 形状优化与阻力预测
机器学习
2025-12-04 v1
摘要
传统基于计算流体力学的气动外形优化的计算成本严重限制了设计空间的探索。本文介绍了 TripOptimizer，这是一个完全可微的深度学习框架，可直接从车辆点云数据进行快速气动分析和形状优化。TripOptimizer 采用了一个变分自编码器，其具有基于三平面的隐式神经表示用于高保真 3D 几何重建，以及一个阻力系数预测头。该模型在 DrivAerNet++ 上进行训练，这是一个包含 8,000 种独特车辆几何形状的大规模数据集，并带有通过雷诺平均 Navier-Stokes 仿真计算的相应阻力系数。该模型学习了一种编码气动显著几何特征的潜在表示。我们提出了一种优化策略，通过修改编码器参数的子集来引导初始几何形状达到目标阻力值，并在案例研究中展示了其有效性，其中优化设计实现了高达 11.8% 的阻力系数降低。这些结果随后通过使用超过 1.5 亿个网格单元的独立高保真计算流体力学仿真进行了验证。这种隐式表示的一个关键优势是其对几何缺陷的内在鲁棒性，能够实现非水密网格的优化，这是传统基于伴随方法的重大挑战。该框架实现了更敏捷的气动外形优化工作流程，减少了对计算密集型 CFD 仿真的依赖，特别是在早期设计阶段。
引用
@article{arxiv.2509.12224,
title = {TripOptimizer: Generative 3D Shape Optimization and Drag Prediction using Triplane VAE Networks},
author = {Parsa Vatani and Mohamed Elrefaie and Farhad Nazarpour and Faez Ahmed},
journal= {arXiv preprint arXiv:2509.12224},
year = {2025}
}