DrivAer

DrivAer数据集由Mark Benjamin和Gianluca Iaccarino开发，是一个开源的中型乘用车几何模型，用于评估和对比使用计算流体动力学工具进行的汽车空气动力学研究。该数据集包含三种配置：fastback, estate, 和 sedan，每种配置都提供了足够的多样性以测试模型的预测能力。数据集的创建过程涉及从少量初始几何形状开始，通过系统插值生成更多样本。这些数据主要用于汽车空气动力学领域的形状优化问题，旨在提高模型的准确性和预测能力。

搜集汇总

数据集介绍

构建方式

DrivAer数据集的构建采用了一种新颖的策略，即在汽车几何形状的阻力预测中使用神经网络。为了解决训练数据库规模和多样性不足的问题，该数据集通过少量起始数据点进行系统插值，生成任意数量的样本。首先，使用光线追踪工具将几何形状的STL表示转换为结构化表示，然后通过插值生成新的设计。接着，将二进制网格转换为符号距离函数（SDFs），并使用重心坐标在n-simplex上构建基础案例的凸包，从而实现几何形状的插值。最后，通过应用Marching Cubes算法重建表面几何形状，并进行Laplacian平滑操作以去除锐角。

特点

DrivAer数据集的特点在于其系统性和可控性。通过从少量起始案例生成几何形状，数据集在输入特征空间中提供了高密度的样本，从而使得数据驱动模型能够学习到更平滑的阻力表示。此外，数据集的构建方法确保了插值过程中不会引入新的几何或拓扑特征，且具有连续性和包含性。这些特性使得数据集在预测阻力系数、表面压力等关键参数时表现出色。

使用方法

使用DrivAer数据集时，首先需要将汽车几何形状的STL表示转换为结构化表示。然后，使用光线追踪工具生成二进制网格，并通过插值生成新的设计。接着，将二进制网格转换为符号距离函数（SDFs），并使用重心坐标在n-simplex上构建基础案例的凸包。最后，通过应用Marching Cubes算法重建表面几何形状，并进行Laplacian平滑操作以去除锐角。生成的数据集可用于训练神经网络，预测阻力系数、表面压力等关键参数。

背景与挑战

背景概述

在汽车设计过程中，空气动力学阻力计算是一个重要的但成本高昂的环节。随着现代汽车设计的复杂性增加，采样高维参数空间变得异常昂贵。此外，评估每个设计点的空气动力学阻力系数需要求解高雷诺数的Navier-Stokes方程，这在精细的网格上是一个成本高昂的过程。因此，开发数据驱动模型来预测阻力系数成为了一个有吸引力的研究方向。然而，构建足够大且多样化的训练数据库是一个主要的挑战。在商业设计中，由于设计过程的封闭性和对美学、法规遵从性和可制造性的考虑，真实汽车几何形状的数据集稀缺。DrivAer数据集的创建旨在解决这一难题，通过系统地生成汽车几何形状的数据集，从而为阻力预测提供高质量的训练数据。

当前挑战

DrivAer数据集的创建面临两个主要挑战。首先，如何从少量初始数据点系统地生成足够大且多样化的训练数据库。其次，如何确保生成的数据集能够准确地反映汽车几何形状和空气动力学阻力系数之间的关系。为了解决这些挑战，研究者们提出了一种基于小样本数据点的方法，通过插值生成任意数量的样本，并使用卷积神经网络进行阻力系数和表面压力的预测。此外，研究者们还使用了壁面模式的湍流模拟来生成流动解决方案，以克服传统的RANS模拟的局限性。这些方法的应用为数据驱动模型在汽车空气动力学分析中的应用提供了新的可能性。

常用场景

经典使用场景

DrivAer数据集在汽车空气动力学研究中，特别是在通过神经网络预测汽车几何形状的阻力方面，具有广泛的应用。该数据集通过系统生成技术，从一个小的初始数据点集合出发，通过插值生成任意数量的样本，为神经网络训练提供了高质量的训练数据。使用DrivAer数据集，卷积神经网络在预测阻力系数和表面压力方面表现出色，尤其在预测外推性能方面取得了有前景的结果。

解决学术问题

DrivAer数据集解决了数据驱动模型在汽车空气动力学应用中数据匮乏的问题。由于汽车设计的复杂性，以及商业设计中汽车几何形状的专有性质，公开可用的、真实的汽车几何形状数据集非常有限。DrivAer数据集通过系统生成技术，从少量初始几何形状出发，生成大量的高质量、多样化的汽车几何形状，为数据驱动模型的训练提供了丰富的数据基础。这使得数据驱动模型能够学习到更精确的映射关系，从而提高预测的准确性和泛化能力。

衍生相关工作

DrivAer数据集的提出，引发了汽车空气动力学领域中数据驱动模型研究的热潮。相关研究包括使用深度学习技术预测汽车阻力系数、表面压力等，以及使用生成对抗网络（GAN）生成新的汽车几何形状等。这些研究工作进一步推动了汽车空气动力学领域的发展，为汽车设计提供了新的思路和方法。