CFD-berekeningen leveren waardevolle informatie over druk, luchtweerstand en stromingsgedrag rond voertuigen, maar vragen bij hoge resoluties doorgaans veel rekentijd. Zogeheten neurale surrogaatmodellen proberen resultaten van zulke simulaties sneller te benaderen. Een eerlijke vergelijking tussen deze AI-modellen was tot nu toe lastig door het ontbreken van een gestandaardiseerde testomgeving. Onderzoekers van MIT en het Toyota Research Institute hebben daarom CarBench ontwikkeld. De benchmark gebruikt DrivAerNet++, een openbare dataset met meer dan 8.000 hoogwaardige driedimensionale CFD-simulaties van voertuigvormen. Elf verschillende modelconfiguraties worden vergeleken op onder meer voorspellingsnauwkeurigheid, overeenkomst van het drukveld met de CFD-referentie, rekenefficiëntie en statistische onzekerheid. Ook testen de onderzoekers wat er gebeurt wanneer een model wordt toegepast op voertuigcategorieën die het tijdens de training niet heeft gezien. Dat is belangrijk: een snelle voorspelling is pas praktisch bruikbaar wanneer duidelijk is binnen welke grenzen zij betrouwbaar blijft. CarBench, de trainingsprocedures en vooraf getrainde modellen zijn openbaar beschikbaar.
Oorspronkelijke bron:
Communications Engineering – Nature Portfolio
CarBench: A comprehensive benchmark for neural surrogates on high-fidelity 3D car aerodynamics
Mohamed Elrefaie, Dule Shu, Matt Klenk en Faez Ahmed
AI-modellen kunnen CFD-resultaten rond voertuigvormen benaderen, maar moeten zorgvuldig worden getoetst op nauwkeurigheid en toepasbaarheid.