Transolver DrivAerML与DrivAerML数据集：如何构建高质量训练数据

Transolver DrivAerML与DrivAerML数据集如何构建高质量训练数据【免费下载链接】transolver_drivaerml项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/transolver_drivaermlTransolver DrivAerML是一款基于Transformer的替代模型专为汽车外部空气动力学模拟打造它通过创新的Physics-Attention技术能够高效处理3D车辆几何的表面压力、壁面剪切应力场以及体积速度和压力场预测为计算流体动力学CFD应用提供强大支持。而DrivAerML数据集作为其训练基础更是构建高质量训练数据的关键所在。深入了解Transolver DrivAerML模型模型核心架构与功能Transolver DrivAerML的架构类型为带有Physics-Attention的Transformer它通过学习网格点到M个物理感知切片标记的软分配将标准自注意力替换为对这些切片标记的关注实现了O(N)复杂度极大提升了计算效率。该模型包含8个Transolver层每个层依次应用LayerNorm、带残差的Physics-Attention、LayerNorm和带残差的前馈块其理论基础是PDE域上的可学习积分算子近似。模型拥有10M的参数数量输入为车辆表面和体积的3D点云坐标张量PyTorch Tensor格式包含点坐标和几何特征这些特征会与可选的观测物理量连接并线性投影到模型的工作维度。输出同样为张量包括表面的压力M_s, 1、壁面剪切应力M_s, 3以及体积的速度M_v, 3、压力M_v, 1且输出会使用训练数据集计算的统计数据进行归一化通过表面积分预测的压力和壁面剪切应力还可推导出阻力和升力系数。软件集成与运行环境该模型的运行时引擎为PyTorch支持多种NVIDIA硬件微架构如Ampere、Blackwell、Hopper、Turing操作系统方面仅支持Linux。借助NVIDIA的硬件如GPU核心和软件框架如CUDA库模型在训练和推理时间上相比纯CPU解决方案有显著提升。DrivAerML数据集详解数据集基本情况DrivAerML数据集是一个公开可用的高保真数据集包含500个参数化变形的DrivAer notchback车辆的空气动力学数据。它通过混合RANS/LESHRLES这种尺度解析CFD方法生成为每个变体提供时间平均量数据包括表面压力、壁面剪切应力和流场量格式兼容基于网格的分析.vtp用于表面数据.vtu用于流场数据。数据集的构成与特点训练数据集包含436个VTP格式表面网格和VTU格式体积流场的文件以及相应的物理量。数据收集方法为合成CFD模拟标签方法为自动化。该数据集是通过混合RANS/LES尺度解析CFD模拟生成的模拟/合成数据集提供不同汽车几何形状的时间平均表面和体积流场每个案例包含约1.5亿个体积元素和1000万个表面元素。测试数据集同样来自DrivAerML数据集是训练中未使用的车辆几何形状的测试拆分包含48个样本约10%其中约20%是基于阻力系数的分布外样本。评估数据集则是DrivAerML数据集的验证拆分完整数据集按90%用于训练、10%用于验证的比例划分。构建高质量训练数据的关键步骤数据收集与生成采用合成CFD模拟的方式进行数据收集就像DrivAerML数据集一样通过HRLES这种先进的尺度解析CFD方法生成大量高保真的空气动力学数据。这种方法能够精确模拟不同车辆几何形状下的流场情况为模型训练提供丰富的原始数据。数据预处理与格式转换将收集到的数据转换为适合模型输入的格式如DrivAerML数据集将数据转换为VTP和VTU格式。同时对输入的点云数据进行处理将点坐标和几何特征与可选的观测物理量连接并线性投影到模型的工作维度确保数据能够被模型有效利用。数据划分与验证合理划分训练集、测试集和验证集DrivAerML数据集按照90%用于训练、10%用于验证的比例进行拆分测试集包含约10%的样本其中还包括一定比例的分布外样本。这样的划分能够有效评估模型的泛化能力和在极端情况下的表现。数据质量控制确保数据的准确性和一致性DrivAerML数据集通过自动化的标签方法减少了人为因素导致的误差。同时对数据进行严格的检查和筛选去除异常值和噪声保证训练数据的质量。Transolver DrivAerML的训练过程模型在单个NVIDIA GB200节点上使用Muon优化器训练多达500个epoch。训练数据来自DrivAerML数据集的训练拆分通过对大量的车辆几何形状数据进行学习使模型能够准确预测空气动力学相关的物理量。在训练过程中利用输出的归一化处理以及对阻力和升力系数的推导不断优化模型参数提高模型的性能。总结Transolver DrivAerML凭借其创新的Physics-Attention技术和高效的Transformer架构在汽车外部空气动力学模拟中展现出强大的能力。而DrivAerML数据集作为高质量的训练数据来源通过科学的数据收集、处理、划分和质量控制为模型的训练提供了坚实的基础。通过合理利用这样的模型和数据集能够加速汽车空气动力学的研究和应用为相关领域带来新的突破。要使用该项目可通过以下仓库地址进行clonehttps://gitcode.com/hf_mirrors/nvidia/transolver_drivaerml。更多关于模型的伦理考虑可参考Bias、Explainability、Privacy和Safety Security。【免费下载链接】transolver_drivaerml项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/transolver_drivaerml创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考