DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset

要約

現在の段階では、深い学習ベースの方法により、空力性能の評価において優れた能力が実証されており、従来の計算流体ダイナミクス（CFD）シミュレーションに必要な時間とコストを大幅に削減しています。
ただし、非常に複雑な3次元（3D）車両モデルを処理するタスクに直面した場合、大規模なデータセットとトレーニングリソースの欠如と、さまざまな車両モデルの幾何学の固有の多様性と複雑さは、これらのネットワークの予測精度と汎用性が現在の生産に必要なレベルまでではないことを意味します。
自然言語処理の分野におけるトランスモデルの顕著な成功と画像処理の分野での強力な可能性を考慮して、この研究では、Drivaer Transformer（DAT）と呼ばれるポイントクラウド学習フレームワークを革新的に提案しています。
DAT構造は、Drivaernet ++データセットを使用します。これには、工業用標準の3D車両形状の高忠実度CFDデータが含まれています。
3Dメッシュから直接空気ドラッグの正確な推定を可能にするため、2D画像レンダリングまたは署名距離フィールド（SDF）などの従来の方法の制限を回避します。
DATは、空力評価プロセスの進化を促進し、自動車設計にデータ駆動型アプローチを導入するための重要な基盤を築き、迅速かつ正確なドラッグ予測を可能にします。
このフレームワークは、車両の設計プロセスを加速し、開発効率を向上させることが期待されています。

要約(オリジナル)

At the current stage, deep learning-based methods have demonstrated excellent capabilities in evaluating aerodynamic performance, significantly reducing the time and cost required for traditional computational fluid dynamics (CFD) simulations. However, when faced with the task of processing extremely complex three-dimensional (3D) vehicle models, the lack of large-scale datasets and training resources, coupled with the inherent diversity and complexity of the geometry of different vehicle models, means that the prediction accuracy and versatility of these networks are still not up to the level required for current production. In view of the remarkable success of Transformer models in the field of natural language processing and their strong potential in the field of image processing, this study innovatively proposes a point cloud learning framework called DrivAer Transformer (DAT). The DAT structure uses the DrivAerNet++ dataset, which contains high-fidelity CFD data of industrial-standard 3D vehicle shapes. enabling accurate estimation of air drag directly from 3D meshes, thus avoiding the limitations of traditional methods such as 2D image rendering or signed distance fields (SDF). DAT enables fast and accurate drag prediction, driving the evolution of the aerodynamic evaluation process and laying the critical foundation for introducing a data-driven approach to automotive design. The framework is expected to accelerate the vehicle design process and improve development efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google