飞桨采用NVIDIA Modulus打造汽车风阻预测模型DNNFluid-Car
💡
原文中文，约6400字，阅读约需16分钟。
📝
内容提要
百度飞桨与NVIDIA合作开发了DNNFluid-Car模型，用于汽车空气动力学数值模拟。该模型基于深度学习框架和物理模型，能够预测汽车的风阻系数和压力分布。通过优化数据加载、模型训练和模型推理等方面，提高了模型的训练速度和计算性能。该模型已在多个标准模型和实车数据集上进行了验证，展现了高效的计算性能和精度。百度飞桨将继续推动人工智能技术在车辆设计领域的应用，为汽车产业的转型和升级提供解决方案。
🎯
关键要点
- 汽车行业设计工程师的目标之一是降低风阻系数，气动阻力消耗的能量占整车能耗的20%左右。
- 传统的CFD软件在气动结构优化中效率不足，导致工程师需重复手动进行多步骤操作，耗时长。
- 百度飞桨与NVIDIA合作开发了DNNFluid-Car模型，用于汽车空气动力学数值模拟，基于深度学习框架和物理模型。
- DNNFluid-Car模型能够预测汽车的风阻系数和压力分布，训练速度和计算性能显著提高。
- 该模型已在多个标准模型和实车数据集上验证，展现出高效的计算性能和精度。
- DNNFluid-Car模型采用几何信息神经算子（GINO）网络，解决了传统CNN和FNO在汽车不规则几何外形上的适应性问题。
- 模型训练数据为CFD数值模拟数据，采用Bézier自由变形和拉丁超立方抽样算法生成高质量几何变体。
- NVIDIA Modulus支持DNNFluid-Car模型的开发，提供了物理机理与算子学习的环境。
- DNNFluid-Car模型在训练速度上提升了10倍，显存占用降低了50%。
- 百度飞桨将继续推动人工智能技术在车辆设计领域的应用，为汽车产业的转型和升级提供解决方案。
🏷️
标签
➡️
