Uno de los desafíos más críticos en la dinámica de fluidos computacional (CFD) y el aprendizaje automático (ML) es que los conjuntos de datos 3D de alta resolución diseñados específicamente para la aerodinámica automotriz son muy difíciles de encontrar en el dominio público. Los recursos utilizados a menudo son de baja fidelidad, sin mencionar las condiciones, lo que hace imposible crear modelos de aprendizaje automático escalables y precisos. Además, los conjuntos de datos disponibles para la diversidad de variaciones geométricas son limitados, lo que limita gravemente las mejoras en la optimización del diseño aerodinámico. Llenar estas lagunas es fundamental para acelerar la innovación en herramientas aerodinámicas predictivas y procesos de diseño para vehículos de carretera modernos.
Los métodos clásicos para la generación de datos aerodinámicos se han basado principalmente en geometrías 3D simplificadas o de baja resolución, que no pueden soportar los requisitos de los modelos ML de alto rendimiento. Por ejemplo, conjuntos de datos como AhmedML, aunque novedosos, utilizan dimensiones de cuadrícula de aproximadamente 20 millones de celdas, lo que es mucho menos que el punto de referencia de la industria de más de 100 millones de celdas. Esto limita la escalabilidad y hace que la relevancia de los modelos de aprendizaje automático para las aplicaciones prácticas sea menos significativa. Además, los conjuntos de datos existentes a menudo adolecen de una diversidad geométrica deficiente y dependen de técnicas computacionales de dinámica de fluidos menos precisas, lo que significa que existe un alcance muy limitado para abordar los complejos fenómenos aerodinámicos que se encuentran en los diseños reales.
Investigadores de Amazon Web Services, Volcano Platforms Inc., Siemens Energy y la Universidad de Loughborough presentaron WindsorML para abordar estas limitaciones. Este conjunto de datos CFD de código abierto y alta fidelidad contiene 355 variaciones geométricas de la configuración de la carrocería Windsor, típica de los vehículos modernos. Con el uso de WMLES que contiene más de 280 millones de celdas, WindsorML ofrece detalles y resolución excepcionales. El conjunto de datos se compone de diversas configuraciones geométricas generadas con muestreo determinista de Halton para una cobertura integral de escenarios aerodinámicos. Los métodos CFD avanzados y los solucionadores acelerados por GPU permiten una simulación precisa de campos de flujo, presiones superficiales y fuerzas aerodinámicas, estableciendo así un nuevo punto de referencia para conjuntos de datos aerodinámicos de alta resolución.
El solucionador Volcano ScaLES generó el conjunto de datos empleando una cuadrícula cartesiana con refinamiento enfocado en áreas de interés, como capas límite y estelas. Cada simulación captura información promediada en el tiempo relacionada con los campos de flujo volumétrico y de superficie, coeficientes de fuerza aerodinámica y parámetros geométricos, todos los cuales se proporcionan en formatos de código abierto ampliamente aceptados como `.vtu` y `.stl`. La variación sistemática de siete parámetros geométricos, incluidos el espacio libre y los ángulos de conicidad, produce una amplia gama de comportamientos aerodinámicos dentro de un conjunto de datos completo. La precisión de este conjunto de datos se valida aún más mediante un análisis de refinamiento de la cuadrícula, que garantiza resultados sólidos y confiables que concuerdan con los puntos de referencia experimentales.
WindsorML demuestra un rendimiento y una versatilidad excepcionales, lo que se valida mediante su coherencia con datos aerodinámicos experimentales. El conjunto de datos ofrece información detallada sobre los comportamientos del flujo y los coeficientes de fuerza, incluidos tanto el arrastre como la sustentación, con una amplia gama de configuraciones, lo que subraya su valor para aplicaciones prácticas. Las evaluaciones preliminares basadas en modelos de aprendizaje automático, como Graph Neural Networks, son muy prometedoras para el modelado aerodinámico predictivo. Estos modelos también exhiben buena precisión en las predicciones de coeficientes aerodinámicos para ilustrar la efectividad de este conjunto de datos en el entrenamiento eficiente de sistemas de aprendizaje automático. Los resultados completos y la alta resolución de WindsorML lo convierten en un recurso invaluable para avanzar en las metodologías CFD y ML en la aerodinámica automotriz.
Al superar las limitaciones de los conjuntos de datos existentes, WindsorML ofrece un recurso transformador para las comunidades CFD y ML. Ayuda a desarrollar modelos predictivos escalables pero precisos para evaluaciones aerodinámicas. Con simulaciones de alta fidelidad y diversas configuraciones geométricas, está bien preparado para ayudar a acelerar la innovación en el diseño de vehículos y proporcionar una base sólida para integrar la IA en los flujos de trabajo para el análisis aerodinámico.
Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 60.000 ml.
Aswin AK es pasante de consultoría en MarkTechPost. Está cursando su doble titulación en el Instituto Indio de Tecnología de Kharagpur. Le apasiona la ciencia de datos y el aprendizaje automático, y aporta una sólida formación académica y experiencia práctica en la resolución de desafíos interdisciplinarios de la vida real.