年底DeepSeek又引爆了一波人工智能热潮，我们小小的CFDer打工人还有多久会被取代。
飞桨科学计算 PaddleScience在 2024年中国汽车工程学会汽车空气动力学分会学术年会上介绍了他们的研究成果，《基于几何信息神经算子的参数化汽车几何风阻预测模型》。
人工智能离不开大数据集，同样要想将AI 应用在汽车空气动力学预测中，也需要数据集。去年国外两篇文章介绍了汽车空气动力学仿真的数据集，《DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics》、《DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks》。
其中，DrivAerNet++不仅详细介绍了数据集，同时发布了不同的神经网络模型的pytorch代码，对源代码感兴趣的同学可以下载学习以下。
以下文档总结均由AI自动生成。
两篇文档均围绕汽车空气动力学数据集展开研究。《DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics》主要介绍了 DrivAerML 数据集，包括其生成、验证、内容、可用性及对机器学习方法发展的推动作用；《DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks》则重点阐述了 DrivAerNet++ 数据集的构建、基准测试结果、应用及未来发展方向。
汽车空气动力学数据集研究背景：汽车空气动力学对车辆性能至关重要，如影响内燃机汽车排放、电动汽车续航里程、高性能汽车操控性及乘客舒适性等。传统评估方法有实验和 CFD 模拟，CFD 在模拟真实路况和提供流场信息方面有优势，但存在计算成本高、湍流建模近似等问题。机器学习有望革新汽车空气动力学领域，但高质量数据的稀缺限制了其发展。
DrivAerML 数据集
数据集生成：以 Ford OCDA DrivAer 的 notchback 变体为基线，用 ANSA 软件构建变形盒和参数化变体，生成 500 个几何变体。使用 HeXtreme 算法在 ANSA 中生成约 1.6 亿个单元的网格，用 OpenFOAM 软件基于有限体积法求解不可压缩 Navier-Stokes 方程，采用 HRLES 湍流模型，并通过自动工作流确保一致性。
数据集验证：将 CFD 方法与 Hupertz 等人的实验数据对比，结果表明在整体流动特征上与实验吻合良好，但在积分力预测上有偏差，如绝对升力偏差约 50 个 counts，主要源于前升力预测。
数据集内容与可用性：包含每个几何变体的时均输出，如压力、速度、湍流参数等，以多种格式提供。数据集遵循 CC-BY-SA 许可，可从 Amazon S3 免费下载。
DrivAerNet++ 数据集
数据集构建：基于 DrivAer 模型创建多个参数化模型，涵盖多种汽车类型、车轮和底盘设计。使用 SnappyHexMesh 生成 2400 万个单元的网格，用 OpenFOAM 进行稳态不可压缩模拟，采用 SST 湍流模型。数据集包含多种数据模态，如 3D STL 网格、参数化模型、空气动力学系数等，并提供详细元数据。
基准测试结果：在空气动力学阻力预测任务中，对不同深度学习模型进行基准测试。3D 几何深度学习模型在 DrivAerNet++ 数据集上的预测性能受数据集多样性影响，参数数据的自动机器学习方法中，LightGBM 在组合数据集上表现更优，且数据集规模增大可提升模型性能。
数据集应用与未来工作：可用于数据驱动的设计优化、加速 CFD 模拟等多种任务。未来将集成瞬态 CFD 模拟，纳入更多模态和学习方法，以提高模型准确性和鲁棒性。
研究总结：两篇论文分别介绍的 DrivAerML 和 DrivAerNet++ 数据集，均致力于解决汽车空气动力学领域机器学习发展面临的数据问题。DrivAerML 提供高保真 CFD 数据，DrivAerNet++ 则通过大规模、多模态数据推动汽车设计和工程领域的研究，它们为后续研究提供了丰富资源，有望推动汽车空气动力学和机器学习技术的协同发展。
