飞桨采用NVIDIA Modulus打造汽车风阻预测模型DNNFluid-Car

主要观点总结

本文介绍了百度飞桨与NVIDIA合作开发的DNNFluid-Car模型，该模型利用AI技术进行车辆外流场预测和气动外形优化。文章详细阐述了模型的开发过程、技术特点以及在汽车设计领域的应用价值。

关键观点总结

关键观点1: DNNFluid-Car模型的开发背景

随着汽车行业的快速发展，对车辆气动性能的要求越来越高，传统数值计算方法难以满足高效、精准的设计需求。DNNFluid-Car模型的开发旨在解决这一问题。

关键观点2: DNNFluid-Car模型的技术特点

该模型基于几何信息神经算子（GINO）网络，通过纯数据驱动的方法实现对汽车压力分布的预测。与传统数值计算方法相比，该模型具有更高的计算效率和精度。

关键观点3: DNNFluid-Car模型的应用价值

DNNFluid-Car模型在汽车设计领域具有广泛的应用价值。它可以在短时间内预测未知车型的风阻系数、压力分布等关键信息，为汽车设计提供决策支持。此外，该模型还可以应用于实车数据集的生成和车辆气动外形优化等方面。

关键观点4: DNNFluid-Car模型的开发过程与挑战

DNNFluid-Car模型的开发过程中面临了数据规模、模型训练、计算资源等多方面的挑战。研发团队结合飞桨框架和NVIDIA Modulus的特点，进行了端到端的深度加速，提高了模型的训练效果和推理速度。

关键观点5: 未来展望

未来，百度飞桨将持续促进产学研用的深度融合，为车辆空气动力学仿真技术注入新动力。通过推动人工智能技术在车辆设计领域的深入研究和广泛应用，为全球汽车产业的转型与升级贡献更多中国智慧与解决方案。

文章预览

随着汽车行业的不断进步，设计工程师的主要目标之一是降低风阻系数和阻力。数据显示，汽车行驶过程中为克服气动阻力而消耗的能量占整车能耗的20%左右。通常工程师会利用计算流体力学（CFD）软件来计算不同汽车车体的流场信息，识别并改进高阻力区域，如前端、车顶和尾部。此外，还会通过优化车轮凹槽、后视镜和车底扰流板等细节设计，以减少涡流产生。最终，开发出一款具有出色气动特性的车型，满足市场对更优异的气动性能、美观性和功能的需求，同时保持制造成本。 当前汽车行业车型高速迭代的趋势对整车气动阻力优化工作提出了更高的效率要求，快速提供高精度的CFD数值模拟结果是满足这一需求的重要途径。基于物理模型和传统数值计算方法的低阶矩湍流模型在实际工程CFD计算中得到了广泛的应用，但其仿真速度不足以有效支 ………………………………