Mohamedelrefaie/DrivAerNet

A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks

What it solves

DrivAerNet++ 提供了一个大规模、高保真度的数据集，以弥补概念性汽车设计与空气动力学性能分析之间的差距。它通过提供一个用于训练神经代理模型（neural surrogates）的全面基准测试，消除了每个设计迭代都需要进行昂贵且耗时的计算流体动力学（CFD）模拟的需求。

How it works

该项目包含 8,150 个多样的汽车设计（包括 fastback、notchback 和 estateback 配置），均通过高保真 CFD 模拟进行建模。每个设计由 26 个几何参数描述。该数据集是多模态的，提供多种格式的数据：

  • 3D Representations: 点云、网格和体积场（压力、速度、湍流）。
  • Performance Metrics: 空气动力学系数，如阻力 (Cd) 和升力 (Cl)。
  • 2D Visuals: 写实渲染图和手绘草图。
  • Annotations: 语义标签，针对 29 种不同的汽车组件。

Who it’s for

  • AI Researchers: 开发用于车辆设计或空气动力学预测的生成式 AI 或代理模型的研究人员。
  • Engineering Practitioners: 寻求通过优化汽车形状来获得更好性能，而不完全依赖于传统 CFD 的设计师。
  • SciML Framework Users: NVIDIA Modulus 或 Baidu PaddleScience 的用户。

Highlights

  • Massive Scale: 包含 8,150 个设计，总数据集大小为 39 TB。

  • Multimodal Approach: 结合了参数化模型、3D 网格、CFD 场和 2D 草图。

  • Comprehensive Benchmarking: 设有专门的排行榜 (CarBench) 用于比较神经代理模型的性能。

  • Broad Coverage: 代表了内燃机 (ICE) 和电动汽车 (CN) 的车型。