DrivAerML数据集深度探索500种汽车几何形态如何训练出顶级CFD surrogate模型【免费下载链接】geotransolver_drivaerml项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/geotransolver_drivaermlDrivAerML数据集是一个公开可用的高保真计算流体动力学CFD数据集包含500种参数化变形的DrivAer notchback车辆的气动数据。该数据集通过混合RANS/LESHRLES这种尺度解析CFD方法生成为每种变体提供时间平均量是训练和评估GeoTransolver等顶级CFD替代模型的关键基础。什么是DrivAerML数据集DrivAerML数据集专为汽车外部空气动力学研究设计是目前该领域最全面的数据集之一。它包含表面压力、壁面剪切应力和流场量等关键气动数据提供与基于网格的分析兼容的格式表面数据为.vtp格式流场数据为.vtu格式。数据集核心构成500种汽车几何形态通过参数化变形技术生成的DrivAer notchback车辆变体覆盖广泛的设计空间多尺度气动数据每种车型包含约1.5亿个体积元素和1000万个表面元素的详细气动信息标准化格式提供.vtp表面网格和.vtu体积流场两种格式便于不同CFD软件读取和处理DrivAerML数据集如何推动CFD surrogate模型发展传统CFD仿真往往需要数小时甚至数天才能完成一次高精度计算严重限制了汽车设计迭代速度。DrivAerML数据集通过提供大规模、高质量的训练数据使AI驱动的CFD替代模型surrogate model成为可能将仿真时间从小时级缩短到秒级。数据集的独特优势高保真度采用混合RANS/LES尺度解析CFD方法生成确保数据准确性系统性覆盖500种变体涵盖从常规到极端气动性能的设计空间标准化拆分90%用于训练436个样本10%用于测试48个样本其中约20%测试样本为分布外样本GeoTransolver基于DrivAerML训练的顶级CFD surrogate模型GeoTransolver是基于DrivAerML数据集训练的Transformer-based替代模型专为大规模汽车外部空气动力学仿真设计。它扩展了Physics-Attention加入了几何感知 latent 嵌入GALE将可学习的物理状态切片自注意力与共享的多尺度几何和边界条件上下文的交叉注意力相结合。模型核心架构架构类型带几何感知 latent 嵌入GALE的Transformer结合物理感知自注意力和多尺度几何交叉注意力网络结构GeoTransolver构建在GALE注意力块上每个块包括物理感知自注意力学习输入点到M个潜在物理状态切片的软分配交叉注意力共享几何上下文向量通过6个半径0.01–5.0的球查询提取多尺度局部几何特征自适应门控可学习的sigmoid参数混合自注意力和交叉注意力输出模型参数2900万20个GALE层六尺度球查询半径核大小32DrivAerML数据集的实际应用价值DrivAerML数据集不仅是学术研究的宝贵资源更在汽车工业中具有重要应用价值。通过该数据集训练的AI模型能够快速预测表面压力和壁面剪切应力场以及3D车辆几何上的体积速度和压力场为CFD应用提供强大支持。关键性能指标在DrivAerML测试集48个测试设计上GeoTransolver模型表现出卓越性能表面压力2.86%相对L1误差壁面剪切4.9%相对L1误差体积压力3.09%相对L1误差体积速度4.02%相对L1误差阻力系数R²0.996升力系数R²0.991数据集的技术局限性尽管DrivAerML数据集具有诸多优势但仍存在一些技术局限性需要注意在复杂流动区域如车轮、后视镜、分离区和具有陡峭梯度的尾迹区域观察到误差增加在某些运行状态下训练数据覆盖较稀疏的配置中升力预测可能出现波动对于训练分布之外的车辆设计模型可能无法准确预测气动场如何获取和使用DrivAerML数据集DrivAerML数据集是公开可用的资源研究人员和工程师可以通过以下方式获取和使用获取数据集要开始使用DrivAerML数据集首先需要克隆项目仓库git clone https://gitcode.com/hf_mirrors/nvidia/geotransolver_drivaerml数据集文件结构项目中包含两个关键检查点目录用于存储训练好的模型参数geotransolver_drivaerml_surface_checkpoint/GeoTransolver.0.501.mdluscheckpoint.0.501.ptglobal_stats.jsongeotransolver_drivaerml_volume_checkpoint/GeoTransolver.0.501.mdluscheckpoint.0.501.ptglobal_stats.json模型输入输出格式输入类型张量车辆表面和体积上的3D点云坐标加上全局边界条件参数表面几何点坐标M_g, 3和属性包括法线和曲率M_g, d_g输入切片3D位置N_m, 3具有d_x维表面和体积点特征全局参数边界条件和运行状态d_p,输出类型表面压力M_s, 1壁面剪切应力M_s, 3体积速度M_v, 3压力M_v, 1DrivAerML数据集的未来发展随着AI在CFD领域的应用不断深入DrivAerML数据集将继续发挥重要作用。未来可能会扩展更多车型、更多运行条件和更精细的流场数据进一步提高CFD替代模型的准确性和泛化能力。潜在扩展方向增加更多车型如掀背车、SUV等的气动数据扩展到不同的行驶速度和环境条件包含更多物理场信息如温度分布、污染物扩散等提高极端工况下的数据覆盖率总结DrivAerML数据集通过提供500种汽车几何形态的高保真气动数据为训练顶级CFD surrogate模型奠定了基础。GeoTransolver等基于该数据集开发的AI模型正在彻底改变汽车空气动力学设计流程将传统需要数小时的仿真缩短到秒级同时保持高精度。对于汽车工程师和研究人员来说DrivAerML数据集不仅是一个强大的工具更是推动汽车气动设计创新的关键资源。如需了解更多关于模型伦理考虑的详细信息请参见以下文件BiasExplainabilityPrivacySafety Security【免费下载链接】geotransolver_drivaerml项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/geotransolver_drivaerml创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考