DrivAerML

DrivAerML数据集是由亚马逊网络服务和Upstream CFD GmbH等机构合作创建的高保真计算流体动力学（CFD）数据集，专门用于道路车辆外部空气动力学研究。该数据集基于广泛使用的DrivAer notchback通用车辆，生成了500个参数化变体。数据集的创建过程采用了工业级的高保真CFD方法，包括网格生成和尺度解析CFD，确保了数据的一致性和质量。DrivAerML数据集主要应用于机器学习领域，旨在通过提供高质量的训练数据，加速汽车设计过程中的流体动力学预测，从而降低成本并提高效率。The DrivAerML dataset is a high-fidelity computational fluid dynamics (CFD) dataset jointly created by institutions including Amazon Web Services and Upstream CFD GmbH, specifically dedicated to external aerodynamics research for road vehicles. Based on the widely used DrivAer notchback generic vehicle, it generates 500 parametric variants. The dataset was developed using industrial-grade high-fidelity CFD methodologies, including grid generation and scale-resolving CFD, to ensure data consistency and quality. Primarily applied in the machine learning domain, the DrivAerML dataset aims to accelerate fluid dynamics predictions during automotive design by providing high-quality training data, thereby reducing costs and improving efficiency.

原始信息汇总

DrivAerML 数据集概述

数据集简介

DrivAerML 是一个高保真计算流体动力学（CFD）数据集，专门用于道路车辆外部空气动力学研究。该数据集基于广泛使用的 DrivAer 掀背车通用车辆的 500 种参数化变形变体生成，采用一致且经过验证的自动化工作流程进行网格生成和尺度解析 CFD 计算，代表了工业界的最新技术水平。几何数据和丰富的空气动力学数据以开源格式发布。

版本历史

• 29/07/2024：注意，当前数据集中不包含运行 167, 211, 218, 221, 248, 282, 291, 295, 316, 325, 329, 364, 370, 376, 403, 473。
• 03/05/2024：草稿版本生成。

联系信息

• 联系人：Neil Ashton
• 邮箱：[e-mail]

CFD 求解器

所有案例均使用开源有限体积代码 OpenFOAM v2212 运行，并由 UpstreamCFD 进行了定制修改。详细信息请参阅相关论文。

引用信息

如需引用此数据集，请引用以下论文：

@article{ashton2024drivaer, title = {{DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics}}, year = {2024}, journal = {In-Review}, author = {Ashton, N., Mockett, C., Fuchs, M., Fliessbach, L., Hetmann, H., Knacke, T., Schonwald, N., Skaperdas, V., Fotiadis, G., Walle, A., Hupertz, B., and Maddix, D} }

文件结构

每个文件夹（例如 run1, run2, ... run"i" 等）对应一个不同的几何形状，包含以下文件：

• 几何 STL 文件（约 135MB）：drivaer_i.stl
• 每个几何形状的参考值：geo_ref_i.csv
• 每个几何形状的参考几何参数：geo_parameters_i.csv
• 边界 VTU 文件（约 500MB）：boundary_i.vtp
• 体积场 VTU 文件（约 25GB）：volume_i.vtu
• 力/力矩时间平均（使用变化的迎风面积/轴距）：force_mom_i.csv
• 力/力矩时间平均（使用恒定的迎风面积/轴距）：force_mom_constref_i.csv
• 切片文件夹：包含 x, y, z 方向的流场变量切片
• 图像文件夹：包含各种流场变量的图像，以及力系数的时间平均评估图和残差收敛图

下载方法

请确保有足够的本地磁盘空间（完整数据集为 30TB），并参考以下示例下载所需文件：

第一步：安装 AWS 命令行界面（CLI）

请按照以下链接中的说明进行安装： https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html

第二步：使用 AWS CLI 下载数据集

以下是下载全部或部分数据集的示例：

示例 1：下载所有文件（约 30TB）

bash aws s3 cp --recursive s3://caemldatasets/drivaer/dataset .

示例 2：仅下载选定文件（例如 STL、图像和力矩）

创建以下 bash 脚本，可根据需要调整以循环下载选定运行或不同文件： bash #!/bin/bash

Set the S3 bucket and prefix

S3_BUCKET="caemldatasets" S3_PREFIX="drivaer/dataset"

Set the local directory to download the files

LOCAL_DIR="./drivaer_data"

Create the local directory if it doesnt exist

mkdir -p "$LOCAL_DIR"

Loop through the run folders from 1 to 500

for i in $(seq 1 500); do RUN_DIR="run_$i" RUN_LOCAL_DIR="$LOCAL_DIR/$RUN_DIR"

# Create the run directory if it doesnt exist
mkdir -p "$RUN_LOCAL_DIR"

# Download the drivaer_i.stl file
aws s3 cp "s3://$S3_BUCKET/$S3_PREFIX/$RUN_DIR/drivaer_$i.stl" "$RUN_LOCAL_DIR/" --only-show-errors

# Download the force_mom_i.csv file
aws s3 cp "s3://$S3_BUCKET/$S3_PREFIX/$RUN_DIR/force_mom_$i.csv" "$RUN_LOCAL_DIR/" --only-show-errors

aws s3 cp --recursive "s3://$S3_BUCKET/$S3_PREFIX/$RUN_DIR/images" "$RUN_LOCAL_DIR/images/" --only-show-errors

done

贡献者

• CFD 求解器和工作流程开发：Charles Mockett, Marian Fuchs, Louis Fliessbach, Henrik Hetmann, Thilo Knacke & Norbert Schonwald (UpstreamCFD)
• 几何参数化：Vangelis Skaperdas, Grigoris Fotiadis (BETA-CAE Systems) & Astrid Walle (Siemens Energy)
• 网格生成工作流程开发：Vangelis Skaperdas & Grigoris Fotiadis (BETA-CAE Systems)
• DrivAer 咨询：Burkhard Hupertz (Ford)
• 数据集准备指导：Danielle Maddix (Amazon Web Services)
• 模拟运行、HPC 设置和数据集准备：Neil Ashton (Amazon Web Services)

许可

该数据集基于 CC BY SA 4.0 许可证发布，详细许可证文本请参阅 LICENSE.txt。

搜集汇总

数据集介绍

构建方式

DrivAerML数据集是通过将广泛使用的DrivAer notchback通用车辆进行500次参数化变形而生成的。网格生成和尺度解析计算流体动力学（CFD）使用一致且经过验证的自动工作流程执行，这些流程代表了工业界的最新技术。几何形状和丰富的气动数据以开源格式发布。据我们所知，这是第一个使用高保真CFD生成的大型公共领域数据集，用于复杂的汽车配置。

特点

DrivAerML数据集具有以下特点：包含500个基线几何形状的变体，覆盖此类道路车辆的主要特征；使用混合RANS-LES方法，这是汽车工业中最高保真的尺度解析CFD方法；数据集的一致性通过自动网格和模拟工作流程以及统计质量控制来保证；丰富的数据集，包括完整流场数据、表面数据和应用程序相关的量（例如力和力矩系数）；开源数据集，免费提供，无使用限制，使用开源文件格式。

使用方法

用户可以使用AWS命令行界面（CLI）工具免费下载DrivAerML数据集，无需AWS账户。数据集使用Creative Commons CC-BY-SA v4.0许可证，允许用户共享和改编数据集，包括商业用途。数据集适合用于开发和应用机器学习模型，用于预测道路车辆的气动特性，包括升力、阻力、压力和速度等。

背景与挑战

背景概述

在汽车空气动力学领域，外部空气动力学对于车辆设计至关重要，影响着燃油效率和电动车的续航里程。传统上，汽车空气动力学的评估依赖于风洞实验和计算流体动力学（CFD）模拟。然而，风洞实验的成本高昂，而CFD模拟则面临缺乏高保真度、开源训练数据的挑战。为了解决这一问题，DrivAerML数据集应运而生，这是一个基于500个参数化变形的DrivAer车辆的汽车空气动力学高保真度开源数据集。该数据集使用工业级的自动网格生成和可扩展的CFD工作流程生成，并采用了混合RANS-LES方法，确保了与实验数据的高度相关性。DrivAerML数据集的发布对于推动汽车空气动力学领域机器学习方法的开发具有重要意义，它为研究人员提供了一个大型、开源的、高保真度的汽车空气动力学数据集，有助于加速设计优化研究和提供实时空气动力学反馈。

当前挑战

尽管DrivAerML数据集为汽车空气动力学研究提供了宝贵的资源，但仍面临一些挑战。首先，数据集的参数化仅限于几何变形，而没有考虑边界条件的变化，如雷诺数或来流角度，这可能限制了数据集的泛化能力。其次，尽管数据集的规模庞大，但仍然可能需要进一步的扩展，以包括更多的几何变形和边界条件，以更好地模拟现实世界中的汽车空气动力学情况。此外，数据集的规模也带来了计算成本的问题，特别是在训练机器学习模型时。最后，尽管数据集已经进行了验证，但在将机器学习模型应用于实际设计之前，仍需要进行更多的测试和验证，以确保其准确性和可靠性。

常用场景

经典使用场景

DrivAerML数据集为汽车空气动力学研究提供了高质量的计算流体动力学（CFD）数据，使其成为开发机器学习（ML）模型以预测汽车外气动特性的理想资源。该数据集基于广泛使用的DrivAer车身的500个参数化形态变体，涵盖了汽车设计中的主要特征。通过使用混合RANS-LES方法，该数据集提供了高保真度的CFD数据，为研究人员提供了在早期设计阶段进行快速流预测的可能性。

实际应用

DrivAerML数据集的实际应用场景包括汽车设计和优化。通过使用该数据集，汽车设计师可以快速预测不同几何形状的气动性能，从而加速设计过程并提高能源效率。此外，该数据集还可以用于开发新的气动设计工具，这些工具可以帮助设计师探索不同的设计选项并选择最佳方案。

衍生相关工作

DrivAerML数据集的发布为汽车空气动力学领域带来了许多相关研究。例如，AhmedML和WindsorML数据集也被开发出来，它们使用SRS方法生成了高质量的CFD数据。这些数据集的发布为研究人员提供了更多的数据资源，使他们能够开发出更准确、更可靠的机器学习模型。此外，DrivAerML数据集还被用于开发新的气动设计工具，这些工具可以帮助设计师探索不同的设计选项并选择最佳方案。