Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction

要約

計算流体ダイナミクス（CFD）は自動車設計に不可欠であり、大きな3Dポイント雲の分析を必要として、車両のジオメトリが圧力場と抗力にどのように影響するかを調べます。
ただし、CFDの既存の深い学習アプローチは、高解像度3Dデータの処理の計算の複雑さと闘っています。
任意の入力および出力ジオメトリを使用して非常に大きな3DメッシュのCFD問題を効率的に解決する新しいアーキテクチャである、暗黙のグローバル畳み込み（FICCONV）を因数分解しました。
figconvは二次複雑さ$ o（n^2）$を達成します。これは、立方体の複雑さ$ o（n^3）$を必要とする既存の3D神経CFDモデルよりも大幅に改善されています。
私たちのアプローチは、因数分解された暗黙のグリッドを組み合わせて、高解像度ドメインを近似し、2Dリダメータ化を通じて効率的なグローバルな畳み込み、および効果的な情報収集と統合のためのU字型アーキテクチャを組み合わせています。
業界標準のアーメドボディデータセットと大規模なDrivaernetデータセットに関するアプローチを検証します。
Drivaernetでは、モデルはドラッグ予測に対して0.95の$ r^2 $値を実現し、以前の最先端を大幅に上回ることを上回ります。
これは、相対的な平均四角誤差の40％の改善と、以前の方法での絶対平均二乗誤差の70％の改善を表しています。

要約(オリジナル)

Computational Fluid Dynamics (CFD) is crucial for automotive design, requiring the analysis of large 3D point clouds to study how vehicle geometry affects pressure fields and drag forces. However, existing deep learning approaches for CFD struggle with the computational complexity of processing high-resolution 3D data. We propose Factorized Implicit Global Convolution (FIGConv), a novel architecture that efficiently solves CFD problems for very large 3D meshes with arbitrary input and output geometries. FIGConv achieves quadratic complexity $O(N^2)$, a significant improvement over existing 3D neural CFD models that require cubic complexity $O(N^3)$. Our approach combines Factorized Implicit Grids to approximate high-resolution domains, efficient global convolutions through 2D reparameterization, and a U-shaped architecture for effective information gathering and integration. We validate our approach on the industry-standard Ahmed body dataset and the large-scale DrivAerNet dataset. In DrivAerNet, our model achieves an $R^2$ value of 0.95 for drag prediction, outperforming the previous state-of-the-art by a significant margin. This represents a 40% improvement in relative mean squared error and a 70% improvement in absolute mean squared error over previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google