DrivAerStar

DrivAerStar是一个包含12,000个工业级汽车CFD模拟的数据集，使用STAR-CCM+®软件生成。该数据集通过20个计算机辅助设计(CAD)参数，系统地探索了三种车辆配置，并包含完整的发动机舱和冷却系统，具有真实的内部气流。DrivAerStar通过严格的壁面y`控制，实现了低于1.04%的风洞验证精度，是现有数据集的五倍改进。该数据集涵盖了压力分布、速度向量、湍流动能和高精度空气动力学系数，并通过多尺度性能评估，为完整的空气动力学性能表征提供了基础。DrivAerStar is a dataset comprising 12,000 industrial-grade automotive CFD simulations, generated using STAR-CCM+® software. This dataset systematically explores three vehicle configurations via 20 computer-aided design (CAD) parameters, and includes complete engine compartments and cooling systems with realistic internal airflow. DrivAerStar achieves wind tunnel validation accuracy below 1.04% through rigorous wall y+ control, representing a five-fold improvement over existing datasets. The dataset covers pressure distributions, velocity vectors, turbulent kinetic energy, and high-precision aerodynamic coefficients, and provides a foundation for comprehensive aerodynamic performance characterization via multi-scale performance evaluation.

搜集汇总

数据集介绍

构建方式

在汽车空气动力学优化领域，DrivAerStar数据集通过工业级CFD仿真流程构建而成。该数据集基于经过实验验证的DrivAer参考车辆平台，采用自由变形算法对20个CAD参数进行系统化变形，涵盖三种经典尾部构型。通过STAR-CCM+®软件实施自动化网格生成策略，每个仿真案例包含约1200万六面体主导网格单元，并采用严格的无量纲壁面距离控制技术确保边界层分辨率。整个构建过程消耗108万CPU核心小时计算资源，生成了包含1.2万个高保真仿真的20TB数据集。

特点

DrivAerStar数据集展现出多项突破性特征，其最显著优势在于实现了与风洞实验测量值相比仅1.04%的平均相对误差。数据集完整包含发动机舱和冷却系统组件，建立了连续冷却流道，精确模拟真实车辆运行状态。提供压力系数、壁面剪切应力、速度场、流线和等值面等全面流动物理信息，支持从基础流动物理到应用设计优化的多样化研究。相较于现有数据集，在网格分辨率、气动精度和参数维度方面均实现显著提升。

使用方法

该数据集支持多种机器学习架构的训练与评估，包括Transolver、GNOT和PointNet等先进模型。研究人员可利用数据集进行表面压力分布、壁面剪切应力场以及衍生阻力系数的预测任务。数据集提供标准化评估协议，采用相对L2误差对空间分布精度进行量化，并通过绝对误差和百分比误差评估整体性能预测。训练过程中可采用单构型专业化训练或多构型泛化训练策略，数据集规模从400到1.2万个样本的渐进式扩展支持系统的数据缩放分析。

背景与挑战

背景概述

随着汽车产业向电动化与智能化转型，车辆空气动力学优化已成为提升电动汽车续航里程与能源效率的核心技术。传统计算流体动力学方法面临计算成本高昂与精度不足的双重困境，而现有机器学习数据集因网格分辨率不足、组件缺失及验证误差过大等问题，难以满足工业级应用需求。2025年由NVIDIA、北京大学等机构联合发布的DrivAerStar数据集，通过工业级STAR-CCM+®软件构建了12,000组高精度CFD仿真数据，系统探索了三种车型配置与20个CAD参数空间，首次将风洞验证误差降至1.04%，为数据驱动的气动优化建立了新标准。

当前挑战

在解决车辆气动优化问题时，传统CFD仿真需数周计算周期，而简化模型又难以满足工业级精度要求。现有数据集存在关键组件缺失、边界层分辨率不足及湍流模型偏差等缺陷，导致预测误差超过5%。数据集构建过程中面临多重挑战：需通过自由变形算法实现参数化几何变形，同时保持发动机舱与冷却系统等内部组件的物理合理性；采用分层网格策略严格控制壁面y+值以准确捕捉边界层现象；协调1,080,000CPU核心小时的超算资源生成20TB数据，并确保所有仿真结果均通过风洞实验与粒子图像测速技术验证。

常用场景

经典使用场景

在汽车空气动力学优化领域，DrivAerStar数据集通过12,000组工业级CFD仿真数据，为机器学习模型提供了精准的训练基础。该数据集采用STAR-CCM+®软件生成，涵盖三种典型车身构型，通过自由变形算法系统探索20个CAD参数空间，包括完整的发动机舱和冷却系统内部流动模拟。其核心应用场景聚焦于构建高精度代理模型，将传统CFD仿真周期从数周缩短至分钟级别，同时保持风洞验证误差低于1.04%的工业级精度要求。

实际应用

在工程实践中，DrivAerStar数据集直接服务于汽车电动化进程中的能效提升需求。基于该数据集训练的代理模型可集成至整车开发流程，实现实时气动性能评估与造型优化。其精确的冷却系统流动模拟为热管理设计提供关键数据支撑，而多车身构型的系统性覆盖则满足了不同车型平台的开发需求。该数据集的应用显著降低了原型车风洞试验频次，将传统设计迭代周期压缩90%以上，为行业带来显著的经济效益。

衍生相关工作

该数据集催生了多项创新性研究，包括Transolver架构在复杂几何流体预测中的适应性改进，以及GNOT等神经算子模型在跨构型泛化能力方面的突破。基于DrivAerStar的基准测试揭示了几何多样性与预测精度间的内在关联，推动了面向工业场景的物理约束神经网络设计。相关研究进一步拓展至科学函数发现、偏微分方程正反问题求解等前沿方向，为CFD与人工智能的深度融合建立了典范。