CarCrashNet

CarCrashNet是首个公开、高保真、开源的数据驱动结构碰撞仿真基准，包含经过验证的组件级和整车级有限元碰撞数据，以多模态、机器学习就绪的格式提供。数据集包括15,567个验证的有限元碰撞模拟，总计6.65 TB的网格解析场、时间历史和简化耐撞性指标，具体涵盖Bumper-Beam Pole-Impact Dataset（14,742个模拟）和Full-Vehicle Crash Datasets（825个模拟），用于支持结构碰撞模拟的机器学习研究。

CarCrashNet is the first open, high-fidelity, open-source data-driven structural crash simulation benchmark. It contains validated component-level and full-vehicle finite element crash data, provided in multimodal, machine learning-ready formats. The dataset includes 15,567 validated finite element crash simulations, totaling 6.65 TB of mesh-resolved fields, time histories and simplified crashworthiness metrics, specifically covering the Bumper-Beam Pole-Impact Dataset (14,742 simulations) and the Full-Vehicle Crash Datasets (825 simulations), to support machine learning research on structural crash simulation.

原始信息汇总

数据集概述

CarCrashNet 是首个公开、高保真、开源的结构碰撞仿真基准数据集，旨在推动数据驱动的结构碰撞仿真研究。该数据集结合了经过验证的部件级和整车级有限元碰撞数据，采用多模态、机器学习友好格式，并配套提出了一种新的分层神经求解器 CrashSolver。

---

核心贡献

1. 验证的开源碰撞工作流：OpenRadioss 与行业标准商业求解器 Ansys LS-DYNA 的峰值壁力误差在 7.2% 以内，壁力持续时间误差 2.6%，峰值内能误差 0.5%。
2. 两个大规模公开数据集：涵盖部件级和整车级两个保真度和复杂度层次。
3. CrashSolver 求解器：一种分层、部件感知的神经求解器，用于整车碰撞场预测，在已发布的所有基准测试中性能优于所有现有最先进基线。

---

数据集详情

CarCrashNet 共发布 15,567 个经过验证的有限元碰撞仿真，数据总量 6.65 TB，包含网格分辨场、时间历程和简化的耐撞性指标。

1. 保险杠横梁-柱碰撞数据集（14,742 个仿真）

• 对象：DP1000 保险杠横梁 + DP600 碰撞盒组件的前向柱碰撞。
• 设计变量：7 个工程变量通过 Sobol 实验设计采样。
  • 碰撞速度：7.2 – 54.0 km/h
  • 碰撞盒厚度：1.0 – 3.0 mm
  • 保险杠横梁厚度：1.0 – 3.0 mm
  • DP600 屈服强度：0.150 – 0.600 GPa
  • DP1000 屈服强度：0.250 – 1.000 GPa
  • 柱直径：100 – 500 mm
  • 横向柱偏移：0 – 800 mm
• 输出数据：
  • 全场 VTKHDF 轨迹（位移、冯·米塞斯应力、等效塑性应变）
  • 全局/局部时间历程
  • 5 个标量耐撞性目标：峰值柱接触力、峰值减速度、峰值内能、峰值塑性功、动能吸收分数。

2. 整车碰撞数据集（825 个仿真）

• 车辆模型：三种行业标准车型，结构和几何复杂度递增。
  • 丰田雅力士：乘用轿车，500 个仿真，37 个编辑结构组。
  • 道奇霓虹：乘用轿车，250 个仿真，27 个编辑结构组。
  • 雪佛兰西尔维拉多：皮卡，75 个仿真，78 个编辑结构组。
• 设计变量：碰撞速度（50 – 64 km/h）和前端支撑/纵梁/副车架壳体厚度（±10%）。
• 输出数据：
  • 场轨迹（VTKHDF）：参考网格与变形网格、位移、速度、冯·米塞斯应力、塑性应变、内能、侵蚀标志、部件 ID。
  • 全局与局部时间历程：刚性壁力、动能/内能/接触能/沙漏能、局部加速度。
  • 简化标量目标：峰值壁力、峰值内能、动能吸收、峰值减速度、冲量持续时间。

---

CrashSolver 求解器

CrashSolver 是一种分层机器学习求解器，利用有限元部件层级结构作为归纳偏置，由以下组件构成：

1. 语义分解：将车辆分解为结构组（如保险杠、纵梁、散热器支架、减震器外壳、副车架、发动机舱、客舱地板、门槛、立柱、外部面板）。
2. 共享局部组件编码器：学习较小部件令牌集上的变形。
3. 全局组件变换器：混合组件摘要信息。
4. 网格导出的接口消息传递：跨组件边界交换潜在特征。
5. 时间解码器/节点读出器：输出完整的碰撞位移轨迹。

---

基准测试结果

整车碰撞场预测：CrashSolver 在每个车辆数据集的未公开测试集上均达到最低误差。

• 道奇霓虹：CrashSolver 在所有指标上表现最佳，RMSE 为 32.763 mm。
• 丰田雅力士：CrashSolver 在 RMSE 和相对 L₂ 指标上表现最佳，RMSE 为 21.769 mm。
• 雪佛兰西尔维拉多：CrashSolver 在所有指标上表现最佳，RMSE 为 61.536 mm，相比最强基线 GeoTransolver 降低约 22%。

此外，还提供了一个保险杠横梁表格代理基准，涵盖 12 种模型族和 5 个耐撞性目标。

---

数据集可用性

CarCrashNet 数据集将在同行评审完成后/接受后公开发布。目前，该仓库托管此项工作的高级描述，届时将更新下载链接和加载工具。

搜集汇总

数据集介绍

构建方式

CarCrashNet基于开源有限元求解器OpenRadioss生成了一套大规模、高保真的碰撞仿真数据集，其构建过程经过严格验证：OpenRadioss与工业标准商业求解器Ansys LS-DYNA在峰值壁力、壁力持续时间和峰值内能上的偏差分别仅为7.2%、2.6%和0.5%，并与物理碰撞测试结果高度吻合。数据集涵盖组件级和整车级两类尺度：组件级部分包含14,742次保险杠横梁与立柱正面碰撞仿真，通过Sobol实验设计对七个工程设计变量（如碰撞速度、板厚、材料屈服强度等）进行采样，输出完整场轨迹与标量指标；整车级部分则包含825次针对丰田雅力士、道奇霓虹和雪佛兰Silverado三款车型的仿真，变化碰撞速度及关键结构组件的厚度，生成丰富的变形模态。每份样本均以多模态、机器学习友好的VTKHDF格式提供位移、应力、应变等物理场轨迹、全局与局部时间历程及约化碰撞指标。

特点

CarCrashNet的核心特色在于其开创性的层次化结构与多尺度覆盖。作为首个公开、高保真、经实验验证的结构碰撞仿真基准数据集，它填补了该领域长期缺乏开放大规模基准的空白。数据集不仅在组件级提供了系统化的设计空间采样，更在整车级覆盖了从紧凑型轿车到皮卡的多类车型，且所有仿真均通过OpenRadioss与LS-DYNA及物理测试的交叉验证，确保了数据可靠性。与之配套的CrashSolver求解器利用有限元部件的层次化结构作为归纳偏置，通过语义分解、局部编码器、全局变换器、网格接口消息传递与时间解码器实现对整车碰撞位移场的高精度预测，在全部基准测试中均取得最优性能，展现出对复杂结构变形的卓越建模能力。

使用方法

用户可通过访问CarCrashNet的官方GitHub仓库获取数据集与配套代码。数据集以VTKHDF格式存储碰撞仿真轨迹，包括参考与变形网格、位移、速度、冯·米塞斯应力、塑性应变、内能等物理场，以及全局与局部时间历程和约化标量指标（如峰值壁力、能量吸收率等）。使用时可加载这些多模态数据作为神经网络的输入与监督标签，结合仓库提供的基准测试脚本与评估指标，复现或扩展论文中的实验。CrashSolver求解器的完整实现（包括层次化编码器-解码器结构）亦在仓库中开源，便于用户直接微调部署或针对特定车型进行二次开发。数据集目前处于同行评审阶段，待评审完成后开放下载链接与加载工具。

背景与挑战

背景概述

CarCrashNet是由麻省理工学院与丰田研究院于2026年联合创建的大规模开源数据集，旨在填补数据驱动结构碰撞仿真领域缺乏公开、高保真基准的空白。该数据集包含15567次有限元碰撞仿真，总规模达6.65TB，涵盖组件级保险杠横梁极柱冲击数据集与全尺寸车辆碰撞数据集（丰田Yaris、道奇Neon、雪佛兰Silverado），并配套发布层次化神经求解器CrashSolver，在全部基准测试中超越现有最先进方法。其核心研究问题在于利用机器学习加速车辆碰撞仿真的预测过程，同时保证与工业标准求解器Ansys LS-DYNA及物理碰撞试验的高度一致性（峰值壁力误差7.2%）。该成果为汽车安全设计提供了可复现、可扩展的基准平台，有望推动神经求解器在结构力学领域的范式变革。

当前挑战

CarCrashNet面临的挑战首先在于结构碰撞仿真本身的高度非线性与多物理场耦合特性，传统数值方法计算成本高昂且难以泛化至未经验证的设计空间，而机器学习模型需在保持物理精度的同时实现实时预测。其次是数据集构建中的技术难题：需协调OpenRadioss开源求解器与Ansys LS-DYNA及物理试验的验证差异（如峰值壁力与脉冲宽度的偏差），并处理全尺寸车辆模型中多达78个结构组的复杂网格拓扑与撞击工况多样性。此外，大规模仿真数据的管理与标准化格式转换（如VTKHDF轨迹存储）以及碰撞场变量的高分辨率输出，对数据存储与计算基础设施构成严峻考验。

常用场景

经典使用场景

CarCrashNet数据集在数据驱动的结构碰撞仿真领域开辟了新的研究范式，其经典使用场景集中于构建与验证基于深度学习的碰撞响应预测模型。研究者可借助该数据集提供的超过一万五千次高保真有限元仿真结果，涵盖从组件级（如防撞梁-吸能盒柱碰撞）到整车级（如丰田雅力士、道奇霓虹、雪佛兰西尔维拉多）的多层次、多模态数据，训练能够精准预测碰撞过程中位移、应力、应变等场量演化的神经网络。该数据集特别适用于开发具备层次化结构感知能力的求解器，例如利用其内置的部件层级信息设计能够捕获碰撞载荷传递路径的图神经网络或Transformer架构，从而突破传统仿真在计算效率与设计空间探索上的瓶颈。

解决学术问题

CarCrashNet的发布系统性地解决了结构碰撞仿真领域长期缺乏公开、大规模、经过实验验证的基准数据集这一核心学术困境，填补了该领域在数据驱动研究基础设施上的空白。此前，汽车碰撞安全研究受制于商业软件的封闭性与实验数据的稀缺性，致使机器学习方法在该方向的发展远落后于流体力学、气象预测等领域。该数据集通过开放超过6.6TB的仿真数据，并验证开源求解器OpenRadioss与工业标准商业软件Ansys LS-DYNA在峰值壁面力、持续时间等关键指标上偏差低于7.2%，为学术社区提供了可复现、可比较的标准化测试平台，从而推动数据驱动碰撞仿真从孤立的个案研究迈向系统性的基准化、可度量研究阶段。

衍生相关工作

CarCrashNet数据集的发布已催生出多项具有影响力的衍生研究工作，其在结构化碰撞仿真领域的标杆效应尤为突出。最具代表性的当属论文中同步提出的CrashSolver层次化神经求解器，该模型通过语义分解将车辆划分为三十余个结构组，结合局部编码器、全局部件Transformer与跨部件界面消息传递机制，在道奇霓虹、丰田雅力士和雪佛兰西尔维拉多三个整车基准上均取得了最优预测精度，其中在复杂度最高的皮卡模型上相比于最强基线方法降低了约22%的均方根误差。此外，该数据集亦为图神经网络、物理信息网络以及时序预测模型在非线性瞬态动力学领域的应用提供了标准化的测试床，推动了诸如Transolver、GeoTransolver、FIGConvUNet等代表性方法在同一基准下的横向对比与持续改进，成为该方向算法创新的重要驱动力。