DrivAerNet++
PulseAugur coverage of DrivAerNet++ — every cluster mentioning DrivAerNet++ across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型AI模型高精度预测汽车空气动力学
研究人员开发了HGPTrans，一种新颖的分层图池化Transolver模型，旨在快速预测汽车的气动阻力系数。该模型集成了用于局部几何的图同构卷积、用于全局交互的基于Transolver的注意力以及用于精炼节点信息的层次化池化。在DrivAerNet和DrivAerNet++数据集上进行测试，HGPTrans与传统的计算流体动力学方法相比，表现出更高的准确性和显著缩短的推理时间。
-
新的流态注意力网络提高了空气动力学预测的准确性
研究人员推出了一种新颖的深度学习模型——流态注意力网络（FSAN），旨在提高空气动力学预测的准确性和适用性。传统的计算流体动力学（CFD）方法计算成本高昂，限制了其在设计过程中的应用。FSAN通过分别编码几何和流动条件，并将几何体划分为不同的流动状态，来解决现有深度学习代理模型的局限性。这种方法可以更精确地交互几何和流动信息，从而在基准数据集上获得卓越的预测精度。
-
新的Transformer技术提高了3D流预测的准确性
研究人员开发了新的技术，距离感知注意力（DA-CA）和壁面距离专家路由（SVMoE），以改进基于Transformer的3D流预测模型。这些方法将模型与与壁面相关的物理信号联系起来，允许不同流动区域的点独特地收集和处理信息。应用于现有的AB-UPT和Transolver-3等架构后，这些增强措施显著降低了压力和速度的预测误差，尤其是在近壁区域，并展示了对未见几何形状的泛化能力的提高。
-
CarBench基准发布，用于3D汽车空气动力学AI模型
研究人员推出了CarBench，这是首个用于评估高保真3D汽车空气动力学中神经代理模型的综合基准。该基准利用了DrivAerNet++数据集，该数据集包含超过8000次高保真汽车模拟。CarBench评估了十一种不同的模型架构，包括神经算子、几何深度学习模型、基于Transformer的求解器和隐式场网络。评估涵盖了预测准确性、物理一致性、计算效率和不确定性估计，该框架和预训练权重已开源，以促进数据驱动工程领域的可复现研究。
-
新型ME-GNN模型提升复杂工程流体动力学预测能力
研究人员开发了一种新的多尺度特征增强图神经网络（ME-GNN），以提高复杂工程设计中流体动力学预测的效率。该图神经网络模型通过使用两步消息传递机制来捕获详细的局部特征，解决了大规模网格和复杂几何形状带来的挑战。它还整合了Attention U-Net来提取精细和粗略的特征，并采用K-hop采样以在大型数据集上进行高效训练。ME-GNN在基准数据集上取得了最先进的成果，在预测速度场和表面压力方面显示出显著的改进。
-
新的ME-GNN模型增强了复杂几何体的流体动力学预测能力
研究人员开发了一种多尺度特征增强图神经网络（ME-GNN），旨在提高复杂几何体中流体动力学预测的效率。这种新颖的方法在图神经网络中集成了两步消息传递机制，用于捕获详细的局部特征，并结合注意力U-Net提取精细和粗略特征。ME-GNN还采用K-hop采样，在保留关键局部细节的同时，实现对大型数据集的高效训练。该模型在基准数据集上展示了最先进的性能，在速度场、表面压力和流场方面实现了低误差率。