論文の概要: DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization

• arxiv url: http://arxiv.org/abs/2510.16857v2
• Date: Fri, 31 Oct 2025 05:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 15:46:17.739212
• Title: DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization
• Title（参考訳）: DrivAerStar: 航空機空力最適化のための産業用グレードCFDデータセット
• Authors: Jiyan Qiu, Lyulin Kuang, Guan Wang, Yichen Xu, Leiyao Cui, Shaotong Fu, Yixin Zhu, Ruihua Zhang,
• Abstract要約: 計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
• 参考スコア（独自算出の注目度）: 17.541117004160892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle aerodynamics optimization has become critical for automotive electrification, where drag reduction directly determines electric vehicle range and energy efficiency. Traditional approaches face an intractable trade-off: computationally expensive Computational Fluid Dynamics (CFD) simulations requiring weeks per design iteration, or simplified models that sacrifice production-grade accuracy. While machine learning offers transformative potential, existing datasets exhibit fundamental limitations -- inadequate mesh resolution, missing vehicle components, and validation errors exceeding 5% -- preventing deployment in industrial workflows. We present DrivAerStar, comprising 12,000 industrial-grade automotive CFD simulations generated using STAR-CCM+${}^\unicode{xAE}$ software. The dataset systematically explores three vehicle configurations through 20 Computer Aided Design (CAD) parameters via Free Form Deformation (FFD) algorithms, including complete engine compartments and cooling systems with realistic internal airflow. DrivAerStar achieves wind tunnel validation accuracy below 1.04% -- a five-fold improvement over existing datasets -- through refined mesh strategies with strict wall $y^+$ control. Benchmarks demonstrate that models trained on this data achieve production-ready accuracy while reducing computational costs from weeks to minutes. This represents the first dataset bridging academic machine learning research and industrial CFD practice, establishing a new standard for data-driven aerodynamic optimization in automotive development. Beyond automotive applications, DrivAerStar demonstrates a paradigm for integrating high-fidelity physics simulations with Artificial Intelligence (AI) across engineering disciplines where computational constraints currently limit innovation.
• Abstract（参考訳）: 自動車空気力学の最適化は自動車の電気化において重要となり、ドラッグリダクションは電気自動車の走行距離とエネルギー効率を直接決定する。 計算にコストがかかる計算流体力学(CFD)シミュレーションでは、設計イテレーション毎に数週間を要したり、生産段階の精度を犠牲にするような単純化されたモデルなど、従来のアプローチは難解なトレードオフに直面している。 マシンラーニングが変革の可能性を提供する一方で、既存のデータセットには、メッシュ解決の不十分さ、車両コンポーネントの欠如、バリデーションエラーが5%を超え、産業ワークフローへのデプロイを妨げている、基本的な制限がある。 本稿では,STAR-CCM+${}^\unicode{xAE}$ソフトウェアを用いて12,000の産業用CFDシミュレーションを作成したDrivAerStarを提案する。 このデータセットは、フリーフォーム変形(FFD)アルゴリズムを通じて、20のコンピュータ支援設計(CAD)パラメータを通して、3つの車両構成を体系的に探索する。 DrivAerStarは、厳密な壁$y^+$コントロールを備えた洗練されたメッシュ戦略を通じて、既存のデータセットよりも5倍改善された1.04%未満の風洞検証を達成している。 ベンチマークでは、このデータに基づいてトレーニングされたモデルは、数週間から数分の計算コストを削減しながら、プロダクション対応の精度を実現する。 これは、学術的機械学習研究と産業CFDの実践を橋渡しする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。

関連論文リスト

• DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset [1.184330339427731]
  本研究では、DrivAer Transformerと呼ばれるポイントクラウド学習フレームワークを提案する。 DAT構造はDrivAerNet++データセットを使用しており、産業標準の3D車両形状の高忠実なCFDデータを含んでいる。 この枠組みは車両設計プロセスの加速と開発効率の向上が期待されている。
  論文  参考訳（メタデータ） (2025-04-11T02:50:38Z)
• Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
  16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。 具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
  論文  参考訳（メタデータ） (2025-04-06T03:23:48Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics [0.0]
  このデータセットは、自動車空気力学のための高忠実なオープンソース(CC-BY-SA)パブリックデータセットである。 広く使用されているDrivAerノッチバックの500のパラメトリックな形状の派生型に基づいている。 高忠実度CFDを使用した複雑な自動車構成のための、最初の大規模なパブリックドメインデータセットである。
  論文  参考訳（メタデータ） (2024-08-21T19:47:41Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
  PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。 PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。 さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
  論文  参考訳（メタデータ） (2021-10-20T17:06:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。