論文の概要: HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction

• arxiv url: http://arxiv.org/abs/2609.31765v1
• Date: Thu, 24 Sep 2026 07:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:03:32.265972
• Title: HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction
• Title（参考訳）: HGPTrans:自動車空力抵抗係数予測のための階層型グラフポーリングトランスオーバ
• Abstract要約: 本稿では,車両表面メッシュから直接C_D$を予測するための階層型グラフプーリングネットワークであるHGPTransを提案する。 このモデルは、大規模なDriivAerNetとDriivAerNet++データセットでトレーニングされ、評価される。 評価基準線のうち、最小平均絶対誤差と平均二乗誤差を達成する。
• 参考スコア（独自算出の注目度）: 4.6204257898221845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and rapid prediction of the aerodynamic drag coefficient ($C_D$) is essential for vehicle design, particularly during early-stage styling iterations where a large number of candidate geometries must be evaluated. Although computational fluid dynamics (CFD) provides reliable aerodynamic estimates, its high computational cost, typically requiring hours to days for a single configuration, limits its use in large-scale design exploration. This paper proposes HGPTrans, a hierarchical graph-pooling network with Transolver-based attention, to directly predict $C_D$ from vehicle surface meshes. Motivated by the fact that vehicle aerodynamics depends on both local geometric features and long-range interactions among spatially distant surface regions, HGPTrans integrates three complementary components. Graph isomorphism convolutions encode discriminative local geometry, physics-aware slice attention captures global interactions with linear computational complexity, and information-redundancy-aware hierarchical pooling progressively removes redundant nodes while preserving informative geometric structures. The model is trained and evaluated on the large-scale DrivAerNet and DrivAerNet++ datasets, where it achieves the lowest mean absolute error and mean squared error among the evaluated baselines. Its generalization capability is further assessed through transfer learning on a real-vehicle dataset containing both sedans and SUVs, achieving relative $L_1$ errors of 1.56% (sedans) and 2.12% (SUVs) with an inference time of approximately $0.293$ s per vehicle. This corresponds to an acceleration of several orders of magnitude relative to high-fidelity CFD while keeping the predicted drag coefficients within a few percent of the CFD reference. Ablation studies confirm each component's contribution and reveal the effects of depth and pooling ratio.
• Abstract（参考訳）: 空力抵抗係数(C_D$)の高精度かつ迅速な予測は車両設計に不可欠であり、特に多数の候補ジオメトリを評価する必要がある初期スタイリングイテレーションにおいて重要である。 計算流体力学(CFD)は、信頼性の高い空気力学の見積もりを提供するが、その高い計算コストは、1つの構成に数時間から数日を要し、大規模な設計探索での使用を制限する。 本稿では,車両表面メッシュから直接C_D$を予測するための階層型グラフプーリングネットワークであるHGPTransを提案する。 車両の空気力学は、空間的に離れた表面領域間の局所的な幾何学的特徴と長距離相互作用の両方に依存しているため、HGPTransは3つの相補的成分を統合する。 グラフ同型畳み込みは、識別的局所幾何学を符号化し、物理を意識したスライスアテンションは線形計算複雑性とのグローバルな相互作用を捉え、情報冗長性を考慮した階層プールは、情報的幾何学構造を保持しながら、徐々に冗長ノードを除去する。 モデルは大規模なDriivAerNetとDriivAerNet++データセットでトレーニングされ、評価されたベースラインの中で最低平均絶対誤差と平均2乗誤差を達成する。 その一般化能力は、セダンとSUVの両方を含む実車用データセットの転送学習を通じてさらに評価され、相対的なL_1$エラーは1.56%(セダン)と2.12%(SUV)であり、1台あたりの推論時間は0.293$ sである。 これは、予測されたドラッグ係数をCFD基準の数パーセントに保ちながら、高忠実度CFDに対する数桁の加速度に対応する。 アブレーション研究は各成分の寄与を確認し、深さとプール比の影響を明らかにする。

関連論文リスト

• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• A Geometry-Aware Triplane Field Network for Vehicle Aerodynamic Prediction [7.1872832596556835]
  本研究は,車両の空気力学的圧力と壁せん断応力予測のための幾何学的三面体ネットワーク(GTF-Net)という,機械学習に基づく手法を提案する。 クエリ段階では、サンプリングされた三面体の特徴と車両の方向座標、正常射影特性、およびボクセルベースの曲率プロキシが組み合わされる。 GTF-Netは圧力予測において0.157から0.145、壁せん断応力予測において0.237から0.226までの相対L2誤差を改善する。
  論文  参考訳（メタデータ） (2026-06-05T16:25:09Z)
• Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD [7.948688528462053]
  計算流体力学(CFD)は、レースカーの空力開発の中心である。 そのコストは、現実的な予算で実現可能な設計スペースの探索を著しく制限する。 新しいAIベースのサロゲートモデルは、このボトルネックを軽減することを約束する。
  論文  参考訳（メタデータ） (2026-04-20T16:42:35Z)
• Car Drag Coefficient Prediction from 3D Point Clouds Using a Slice-Based Surrogate Model [0.6882042556551609]
  本稿では,3次元車両形状の逐次スライスワイズ処理に基づいて,空力抵抗係数(Cd)の予測を行うための軽量サロゲートモデルを提案する。 DrivAerNet++データセットでトレーニングされ評価されたこのモデルは、Cd予測において高い判定係数(R2 > 0.9528)と低い平均絶対誤差(MAE approx 6.046 x 10-3)を達成する。
  論文  参考訳（メタデータ） (2026-01-05T13:41:20Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• 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)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。