车辆外部空气动力学数据集

该数据集由大众汽车公司在车辆开发过程中收集的空气动力学仿真组成，包含来自五个不同车辆项目的32个基线车辆几何体及其变化，反映了车辆开发过程中遇到的多样化自由形式修改。数据集共有343个样本，其中274个用于训练，69个用于测试。所有仿真均采用OpenFOAM进行的分离涡模拟。数据集旨在为评估数据驱动代理模型在预测任意输入几何形状的阻力系数方面的性能，以解决车辆开发中气动优化问题。

This dataset consists of aerodynamic simulations collected by Volkswagen AG during vehicle development processes. It contains 32 baseline vehicle geometries and their variants from five distinct vehicle projects, reflecting the diverse free-form modifications encountered during vehicle development. The dataset has a total of 343 samples, with 274 allocated for training and 69 for testing. All simulations are detached eddy simulations performed using OpenFOAM. This dataset is intended to evaluate the performance of data-driven surrogate models for predicting drag coefficients of arbitrary input geometries, thereby addressing aerodynamic optimization challenges in vehicle development.

搜集汇总

数据集介绍

构建方式

车辆外部空气动力学数据集构建于五个不同的汽车项目，包含32种基准车型几何结构及其自由形式修改，总计343个样本。数据来源于常规车辆开发过程中的高保真仿真，采用行业标准求解器OpenFOAM进行分离涡模拟（DES），每个仿真耗时约20小时，使用960个CPU核心。数据集通过严格的预处理流程，包括几何中心对齐、128x32x32分辨率的符号距离场（SDF）生成，以及针对图神经网络（GNN）方法的5万节点网格重划分，确保了数据的一致性与计算效率。

特点

该数据集的核心价值在于其真实工业场景的代表性：1）几何多样性涵盖五类量产车型项目，反映设计师与空气动力学家的非参数化自由修改；2）高保真仿真数据通过风洞实验验证，物理可信度高；3）样本组织采用基准组结构（baseline group），清晰区分组间大尺度差异与组内细微变化。特别地，数据集包含带/不带发动机舱流动的混合工况，且阻力系数（cd）分布呈现跨项目的显著差异性，为模型泛化能力评估提供了严格测试环境。

使用方法

数据集支持两种主流代理模型的训练与评估：1）基于符号距离场（SDF）的卷积神经网络（CNN）方法，需将输入几何转换为128x32x32分辨率的SDF网格，通过在线数据增强（包括弹性变形、各向异性重采样等）提升泛化性；2）基于表面网格的图神经网络（GNN）方法，直接处理约5万节点的简化网格。使用时应严格保持训练集（274样本）与测试集（69样本）分离，评估指标推荐采用平均绝对误差（MAE）、最大绝对误差（MaxAE）及方向预测准确率（DPA）。预测阶段可在CPU上2分钟内完成，较传统CFD仿真提速600倍以上。

背景与挑战

背景概述

车辆外部空气动力学数据集由大众汽车公司与埃尔朗根-纽伦堡大学的研究团队于2025年联合创建，旨在解决汽车工业中空气动力学优化与造型设计间的协同难题。该数据集包含来自5个不同车型项目的343组高保真仿真数据，突破了传统参数化几何数据集的局限，真实反映了车辆开发过程中自由形态修改的多样性。作为首个面向实际工业场景的空气动力学数据集，其通过卷积神经网络与图神经网络代理模型的对比研究，将空气动力学评估时间从20小时缩短至2分钟，显著提升了设计迭代效率，为电动车辆续航优化与造型创新提供了关键技术支持。

当前挑战

该数据集面临的核心挑战体现在两个维度：在领域问题层面，如何准确预测自由形态几何修改对阻力系数（cd）的细微影响成为关键难题，现有模型对基线组内变化的捕捉精度不足（CNN与GNN分别存在2.3和3.8阻力计数的平均绝对误差）；在构建过程中，高保真仿真所需的500万CPU小时计算资源、非水密几何体在符号距离场（SDF）生成中的噪声干扰，以及工业级复杂几何的网格降采样信息损失等问题，都对数据质量与模型性能提出了严峻考验。此外，小样本项目的数据稀疏性与几何特征的多尺度表征需求，进一步增加了建模的复杂度。

常用场景

经典使用场景

车辆外部空气动力学数据集在汽车工业的空气动力学优化研究中扮演了关键角色。该数据集通过整合来自五个不同汽车项目的343个高保真仿真数据，涵盖了多样化的自由形式几何修改，为研究人员提供了一个真实的工业应用场景。其经典使用场景包括利用卷积神经网络（CNN）和图神经网络（GNN）等替代模型，快速预测车辆外形的空气阻力系数（cd），从而显著缩短传统计算流体动力学（CFD）仿真所需的时间。

解决学术问题

该数据集有效解决了汽车空气动力学研究中的多个核心学术问题。首先，它填补了现有参数化几何数据集与真实工业场景之间的鸿沟，为自由形式几何修改提供了高质量基准。其次，通过对比CNN和GNN两种替代模型的性能，数据集揭示了不同方法在捕捉细微几何变化时的优劣势，为模型优化提供了明确方向。最重要的是，该数据集证明了替代模型可在两分钟内完成传统仿真需20小时的计算任务，将效率提升至少600倍，极大推动了实时空气动力学分析的发展。

衍生相关工作

该数据集催生了一系列创新性研究，包括基于稀疏卷积的高分辨率SDF处理方法、混合多模型架构开发等方向。相关经典工作如DrivAerNet++通过引入多模态数据扩展了基准范围，而X-MeshGraphNet则受此启发提出了可扩展的多尺度图神经网络。数据集还促进了OpenVDB等工具在工业场景的深度应用，为几何预处理标准树立了新范式。这些衍生研究共同推动了数据驱动方法在复杂工程仿真中的实用化进程。