論文の概要: AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction

• arxiv url: http://arxiv.org/abs/2511.05596v1
• Date: Wed, 05 Nov 2025 14:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.482554
• Title: AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction
• Title（参考訳）: AutoHood3D: 自動車フッド設計と流体構造相互作用のためのマルチモーダルベンチマーク
• Authors: Vansh Sharma, Harish Jai Ganesh, Maryam Akram, Wanjiao Liu, Venkat Raman,
• Abstract要約: このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。 各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。 データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study presents a new high-fidelity multi-modal dataset containing 16000+ geometric variants of automotive hoods useful for machine learning (ML) applications such as engineering component design and process optimization, and multiphysics system surrogates. The dataset is centered on a practical multiphysics problem-hood deformation from fluid entrapment and inertial loading during rotary-dip painting. Each hood is numerically modeled with a coupled Large-Eddy Simulation (LES)-Finite Element Analysis (FEA), using 1.2M cells in total to ensure spatial and temporal accuracy. The dataset provides time-resolved physical fields, along with STL meshes and structured natural language prompts for text-to-geometry synthesis. Existing datasets are either confined to 2D cases, exhibit limited geometric variations, or lack the multi-modal annotations and data structures - shortcomings we address with AutoHood3D. We validate our numerical methodology, establish quantitative baselines across five neural architectures, and demonstrate systematic surrogate errors in displacement and force predictions. These findings motivate the design of novel approaches and multiphysics loss functions that enforce fluid-solid coupling during model training. By providing fully reproducible workflows, AutoHood3D enables physics-aware ML development, accelerates generative-design iteration, and facilitates the creation of new FSI benchmarks. Dataset and code URLs in Appendix.
• Abstract（参考訳）: 本研究では,工学的コンポーネント設計やプロセス最適化,マルチ物理システムサロゲートといった機械学習(ML)応用に有用な16000以上の形状の自動車フードを含む,新しい高忠実なマルチモーダルデータセットを提案する。 このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。 各フードはLES(Large-Eddy Simulation)とFinite Element Analysis(FEA)を組み合わせた数値モデルでモデル化され、合計1.2Mセルを使用して空間的および時間的精度を確保する。 このデータセットは、STLメッシュと構造化自然言語プロンプトとともに、時間分解物理場を提供し、テキストから幾何学合成を行う。 既存のデータセットは2Dケースに限定され、幾何学的なバリエーションが限られているか、マルチモーダルアノテーションやデータ構造が欠如している。 提案手法の有効性を検証し,5つのニューラルネットワークアーキテクチャにまたがる定量的ベースラインを確立するとともに,変位と力の予測における系統的なサロゲート誤差を実証する。 これらの知見は、モデルトレーニング中に流体-固体結合を強制する新しいアプローチと多物理損失関数の設計を動機付けている。 完全に再現可能なワークフローを提供することで、AutoHood3Dは物理学を意識したML開発を可能にし、生成設計のイテレーションを加速し、新しいFSIベンチマークの作成を容易にする。 AppendixのデータセットとコードURL。

関連論文リスト

• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• MTGS: Multi-Traversal Gaussian Splatting [51.22657444433942]
  マルチトラバースデータは、道路ブロック内のシーン再構築のための複数の視点を提供する。 任意に収集したマルチトラバーサルデータから高品質な運転シーンを再構成する新しい手法であるマルチトラバーサル・ガウス・スプラッティング(MTGS)を提案する。 その結果、MTGSはLPIPSを23.5%改善し、幾何学的精度は46.3%向上した。
  論文  参考訳（メタデータ） (2025-03-16T15:46:12Z)
• Large Language-Geometry Model: When LLM meets Equivariance [53.8505081745406]
  本稿では,3次元物理システムを表現するための新しいフレームワークであるEquiLLMを提案する。 EquiLLMは分子動力学シミュレーション,ヒトの動作シミュレーション,抗体設計など,従来の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-16T14:50:49Z)
• FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries [19.15738125919099]
  FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。 FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
  論文  参考訳（メタデータ） (2024-09-26T16:38:48Z)
• DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [25.00264553520033]
  DrivAerNet++は、高忠実度計算流体力学(CFD)シミュレーションをモデルとした8000の多種多様な自動車設計で構成されている。 データセットには、ファストバック、ノッチバック、エステートバックといった多様な車種が含まれており、内燃機関と電気自動車の両方を表す車体と車輪のデザインが異なる。 このデータセットは、データ駆動設計最適化、生成モデリング、代理モデルトレーニング、CFDシミュレーションアクセラレーション、幾何学的分類を含む幅広い機械学習アプリケーションをサポートしている。
  論文  参考訳（メタデータ） (2024-06-13T23:19:48Z)
• Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers [23.589419066824306]
  流体力学を推定することは、解決するのが非常に難しい。 問題に対する新しいモデル,メソッド,ベンチマークを導入する。 我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-16T12:59:08Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。