FIGConvNet DrivAerML Surface数据集指南：DrivAerML 500种汽车变体数据详解

【免费下载链接】figconvnet_drivaerml_surface项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/figconvnet_drivaerml_surface

FIGConvNet DrivAerML Surface是一个用于预测汽车几何表面气动场的深度学习模型，能够为计算流体动力学（CFD）应用预测3D车辆表面网格上的压力和壁面剪切应力场。该模型基于DrivAerML数据集构建，为汽车外部空气动力学研究提供了强大的AI加速方案。

DrivAerML数据集核心价值：500种汽车变体的高保真CFD数据

DrivAerML数据集是一个公开可用的高保真数据集，包含500种参数化变形的DrivAer notchback车辆的气动数据。这些数据通过混合RANS/LES（HRLES）这种尺度解析CFD方法生成，为每种变体提供了时间平均量。

数据集特点包括：

• 全面的数据类型：包含表面压力、壁面剪切应力和流场量
• 标准文件格式：提供与基于网格的分析兼容的格式（.vtp用于表面数据，.vtu用于流场数据）
• 科学的数据集划分：10%的样本用作测试集，其中20%的测试集包含基于阻力系数的分布外样本，代表整个数据集中阻力系数最低和最高的极端情况

数据集构成与技术规格

数据规模与分布

• 总样本量：500种汽车变体
• 训练集：436个VTP格式文件（占总样本的90%），包含网格和相应的物理量
• 测试集：50个样本（占总样本的10%），包含分布外极端情况样本

数据生成方法

DrivAerML数据集通过以下方式生成：

• 数值模拟工具：使用OpenFOAM CFD solver
• 模拟方法：混合RANS/LES（HRLES）尺度解析CFD方法
• 边界条件：统一的配置，确保不同汽车几何形状的流场（如速度和压力）具有可比性

数据格式与内容

数据集提供两种主要文件格式：

• .vtp文件：包含表面数据，适用于表面压力和壁面剪切应力分析
• .vtu文件：包含流场数据，适用于整体流场分析

每个样本包含：

• 车辆表面几何的3D点云表示
• 表面压力分布数据
• 壁面剪切应力的三个分量（x, y, z）
• 其他流场相关物理量

数据集在AI模型中的应用

训练数据预处理

输入点云表示车辆表面几何，坐标归一化到边界框：

• x ∈ [-2.0, 2.0]
• y ∈ [-1.8, 1.8]
• z ∈ [-1.5, 2.6]

典型输入大小：每辆车几何约500,000个点

模型输出与CFD结果对比

FIGConvNet模型输出：

• 1个压力场 + 3个壁面剪切应力分量（x, y, z）
• 输出格式：PyTorch Tensor (batch, num_points, 4)
• 预测结果对应时间平均CFD模拟结果

数据集统计特性

根据global_stats.json文件，数据集主要统计特性如下：

均值（mean）：

• 坐标：[1.5426, -0.0086, 0.2352]
• 压力：-160.9945
• 剪切应力：[-1.2387, 0.0013, -0.0921]

标准差（std_dev）：

• 坐标：[1.3276, 0.6123, 0.3745]
• 压力：205.8255
• 剪切应力：[1.5098, 0.7262, 0.8180]

如何获取和使用DrivAerML数据集

数据集引用与获取

DrivAerML数据集详细信息可参考论文： DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics

模型与数据集下载

要使用FIGConvNet模型和DrivAerML数据集，可通过以下步骤获取：

1. 克隆仓库：

git clone https://gitcode.com/hf_mirrors/nvidia/figconvnet_drivaerml_surface

2. 参考论文中的数据获取方法获取完整的DrivAerML数据集

适用场景与限制

适用场景：

• 汽车外部空气动力学研究
• CFD工程师使用AI加速模拟
• 汽车设计优化中的气动性能预测

限制：

• 数据集专注于DrivAer notchback车型的变体
• 测试集中包含未在训练中出现的极端情况样本
• 需要NVIDIA GPU加速系统以获得最佳性能

数据集的伦理与安全考量

使用DrivAerML数据集时，应考虑以下伦理和安全因素：

• 偏见考量：数据集基于特定车型生成，可能在其他车型上存在泛化限制，详情参见bias.md
• 可解释性：AI模型预测结果的解释需结合CFD专业知识，详见explainability.md
• 隐私保护：数据集不包含任何个人身份信息，隐私相关内容参见privacy.md
• 安全与安保：模型应用需符合行业安全标准，详见safety.md

总结：DrivAerML数据集的重要意义

DrivAerML数据集通过提供500种汽车变体的高保真CFD数据，为汽车空气动力学AI模型的开发和评估提供了标准化基准。结合FIGConvNet模型，研究人员和工程师可以显著加速汽车外部空气动力学分析，推动更高效、更环保的汽车设计。

该数据集的价值不仅在于其规模和质量，更在于其公开可用性，这将促进汽车空气动力学AI模型的透明化发展和公平比较，推动整个领域的技术进步。

如需了解更多关于模型架构和实现细节，请参考： Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction

【免费下载链接】figconvnet_drivaerml_surface项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/figconvnet_drivaerml_surface