[논문 리뷰] DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks

Mohamed Elrefaie, Florin Morar외 2명|arXiv (Cornell University)|2024. 06. 13.

Traffic Prediction and Management Techniques인용 수 7

한 줄 요약

DrivAerNet++은 8,000개의 고충실도 CFD 시뮬레이션 디자인, 다중 데이터 모달리티, 및 드래그 예측을 위한 ML 벤치마크를 갖춘 대규모 다중모드 자동차 데이터셋이다.

ABSTRACT

We present DrivAerNet++, the largest and most comprehensive multimodal dataset for aerodynamic car design. DrivAerNet++ comprises 8,000 diverse car designs modeled with high-fidelity computational fluid dynamics (CFD) simulations. The dataset includes diverse car configurations such as fastback, notchback, and estateback, with different underbody and wheel designs to represent both internal combustion engines and electric vehicles. Each entry in the dataset features detailed 3D meshes, parametric models, aerodynamic coefficients, and extensive flow and surface field data, along with segmented parts for car classification and point cloud data. This dataset supports a wide array of machine learning applications including data-driven design optimization, generative modeling, surrogate model training, CFD simulation acceleration, and geometric classification. With more than 39 TB of publicly available engineering data, DrivAerNet++ fills a significant gap in available resources, providing high-quality, diverse data to enhance model training, promote generalization, and accelerate automotive design processes. Along with rigorous dataset validation, we also provide ML benchmarking results on the task of aerodynamic drag prediction, showcasing the breadth of applications supported by our dataset. This dataset is set to significantly impact automotive design and broader engineering disciplines by fostering innovation and improving the fidelity of aerodynamic evaluations. Dataset and code available at: https://github.com/Mohamedelrefaie/DrivAerNet.

연구 동기 및 목표

• 데이터 기반 공기역학 설계 연구를 위한 대규모의 다양하고 고충실도 모달 다중 자동차 디자인 데이터셋을 제공한다.
• 드래그 예측 및 기타 공기역학 지표를 위한 기하학 기반 및 파라메트릭 모델 간의 ML 벤치마킹을 가능하게 한다.
• surrogate 모델 벤치마크 및 카테고리 간 일반화 분석을 통해 데이터셋의 활용도를 입증한다.
• 다양한 ML 작업을 지원하기 위해 3D 메쉬, 포인트 클라우드, CFD 필드, 파라메트릭 데이터, 주석 등 데이터 모달리티를 제공한다.

제안 방법

• DrivAer 기반 파라메트릭 모델을 26개 파라미터로 변형하여 8,000개의 자동차 디자인을 절차적으로 생성한다.
• SnappyHexMesh를 이용한 고충실도 CFD 메싱으로 케이스당 약 24M 셀을 생성하고 OpenFOAM v11 정상 상태 k-오메타 SST 시뮬레이션을 수행한다.
• 종합적 데이터 모달리티: 3D STL 메쉬, ANSA 파라메트릭 모델, 표 형태 파라미터, CFD 필드, 표면 필드, 주석된 라벨.
• 3D 기하학적 딥러닝(PointNet, GCNN, RegDGCNN) 및 표 형태 AutoML/ML 모델(XGBoost, LightGBM, RF)을 사용한 공기역학적 드래그 surrogate 모델 벤치마킹.
• 평가 지표로 MSE, MAE, Max AE, 및 R^2를 사용하여 디자인 간 모델 정확도와 일반화를 비교한다.

(a) Data modalities of DrivAerNet++. Top row: different data representations; middle row: CFD simulation results; bottom row: annotated car components.

실험 결과

연구 질문

• RQ1 다양한 자동차 구성에서 공기역학 드래그의 강건한 surrogate 모델링을 가능하게 하는 대규모 다중모드 자동차 데이터셋이 가능한가?
• RQ2 기하학 기반 및 파라메트릭 ML 접근법은 단일 카테고리 대 다중 카테고리 자동차 디자인에서 드래그 예측에 어떠한 차이를 보이는가?
• RQ3 데이터셋 다양성이 드래그 예측 모델의 카테고리 간 일반화에 어느 정도 영향을 미치는가?
• RQ4 3D 메시 기반 예측과 파라메트릭 데이터 기반 예측 간의 모델 정확도와 계산 시간의 트레이드오프는 무엇인가?

주요 결과

모델	MSE (×10^-5)	MAE (×10^-3)	Max AE (×10^-3)	R^2	훈련 시간	추론 시간	매개변수 수
PointNet (DrivAerNet)	12.0	8.85	10.18	0.826	0.5hrs	0.51s	2,348,097
GCNN (DrivAerNet)	10.7	7.17	10.97	0.874	10.4hrs	20.71s	100,481
RegDGCNN (DrivAerNet)	8.01	6.91	8.80	0.901	3.2hrs	0.52s	3,164,257
PointNet (DrivAerNet++)	14.9	9.60	12.45	0.643	2.06hrs	0.84s	2,348,097
GCNN (DrivAerNet++)	17.1	10.43	15.03	0.596	49hrs	50.8s	100,481
RegDGCNN (DrivAerNet++)	14.2	9.31	12.79	0.641	12.6hrs	0.85s	3,164,257

• DrivAerNet++는 케이스당 24M 메쉬 셀의 8,000개 자동차 디자인으로 구성되어 총 데이터 용량이 39 TB이다.
• 기하학적 딥러닝 모델은 서로 다른 성능을 보인다: RegDGCNN은 DrivAerNet(Table 2)에서 MSE 8.01e-5, MAE 6.91e-3, Max AE 8.80e-3, R^2 0.901로 최상의 성능을 보인다.
• DrivAerNet++ 전체 자동차에서 RegDGCNN은 MSE 14.2e-5, MAE 9.31e-3, Max AE 12.79e-3, R^2 0.641를 얻어 다양한 디자인에 일반화할 때 성능 저하를 보인다.
• AutoML/파라메트릭 모델은 데이터셋 규모에 따라 교차 데이터셋 성능이 향상되며, XGBoost R^2는 훈련 데이터가 640에서 3,200 샘플로 증가할 때 약 0.35에서 약 0.55로 상승한다.
• 이 연구는 단일 자동차 카테고리에서 훈련된 모델이 모든 자동차 디자인에서 평가될 때 R^2이 낮아지는 중요한 일반화 문제를 강조한다(약 0.82-0.90에서 ~0.60으로 감소).
• 이 데이터셋은 드래그 surrogate 모델링 외에도 CFD 가속화, 형상/부품 분류, 3D 재구성 등 여러 작업을 지원한다.

(b) Selected samples from DrivAerNet++ showing diversity in shape with different car designs (fastback, estateback, and notchback), wheels configurations, and underbody configurations.