DrivAerNet: A Parametric Car Dataset for Data-Driven Aerodynamic Design and Graph-Based Drag Prediction

这项研究介绍了DrivAerNet和RegDGCNN，旨在通过机器学习进行汽车空气动力学设计。DrivAerNet是一种大规模高保真CFD数据集，包括4000个详细的三维汽车网格，使用了50万个表面网格面和全面的空气动力学性能数据，包括完整的三维压力、速度场和壁面剪切应力。它比先前最大的公共汽车数据集大60％，是唯一一个开源数据集，还模拟了车轮和底盘。RegDGCNN利用这个大规模数据集，直接从三维网格提供高精度的阻力估计，绕过了传统的限制，如需要二维图像渲染或有符号距离场（SDF）。通过在几秒钟内实现快速阻力估计，RegDGCNN促进了快速的空气动力学评估，为整合数据驱动方法到汽车设计领域提供了实质性的进展。DrivAerNet和RegDGCNN共同承诺加速汽车设计过程，并为开发更高效的车辆做出贡献。为了为未来的创新奠定基础，我们的研究中使用的数据集和代码可公开访问，网址是\url{https://github.com/Mohamedelrefaie/DrivAerNet}。

论文旨在通过机器学习和大规模CFD数据集，提高汽车设计的空气动力学效率。具体来说，它试图解决传统方法中需要2D图像渲染或SDF等限制的问题，以实现更快速的拖拽估计。

论文的关键思路是使用大规模CFD数据集和动态图卷积神经网络模型，直接从3D网格中提供高精度的拖拽估计。这种方法不需要传统的限制，可以在几秒钟内快速进行空气动力学评估。

论文提供了一个名为DrivAerNet的大规模高保真CFD数据集，包括4000个详细的3D汽车网格，涵盖了完整的3D压力、速度场和壁面剪切应力等细节。这个数据集比以前公开的最大汽车数据集大60％，也是唯一开源数据集，同时也考虑了轮子和底盘。此外，论文还提出了RegDGCNN模型，可以快速进行拖拽估计。研究人员将数据集和代码公开，以促进未来的创新。

最近的相关研究包括：1.使用深度学习进行汽车空气动力学优化的研究；2.使用机器学习进行车辆空气动力学性能评估的研究。