DrivAerML 汽车外流气动高保真数据集与代理模型
新一、简介
汽车外流气动是物理 AI 里少见的「数据即壁垒」领域:高保真整车风阻分析要占用数十核数小时,一次造型评审里的方案比较常常要几十个算例,而支撑训练所需的语料规模比单次设计评估高出两三个数量级。DrivAerML 把这条链路的数据侧打开了一角——用统一自动化流程生成 500 个参数化 DrivAer 掀背车变体的高保真尺度分辨 CFD 结果,其中 484 例以 CC BY-SA 4.0 公开,托管在 Hugging Face,总量约 31.2 TB,并附带八套官方确定性划分。这使「几何外推」第一次有了可复现的公共基准。
本条目是数据集卡与案例研究,不是产品评测。它回答四个问题:这套数据究竟是用什么数值设置算出来的(网格、湍流模型、收敛判据);它的边界条件被固定在哪些位置(零偏航、静态车轮、封闭冷却口);代理模型在这套数据上应当如何划分训练集与留出集;以及此前本站条目中若干无法核实的精度数字应当如何纠正。读者包括需要公开整车气动语料的代理模型研究者、评估「用机器学习替代部分风洞试验」这一主张的工程团队,以及做几何外推泛化能力基准的研究者。摊销与回本口径留给传统求解器成本边界,代理模型的选型口径留给神经算子选型指南。
范围限制需要先讲明:来源是一份预印本与一个公开数据集,论文本身没有报告任何代理模型的精度数字;数据规模、单例体积与划分清单来自数据集卡片与官方目录,核对日期为 2026 年 11 月 11 日。本文因此把「数据集事实」与「方法学结论」分开陈述,凡属本文自行推导的量(例如风阻改善到油耗的折算)都写明假设与推导过程,不混入官方口径。
二、原理与工作方式
数据链路从参数化几何开始。设计变量共 16 个,在 ANSA v24.1.0 的试验设计模块中用改进可扩展格序列(Modified Extensible Lattice Sequence)生成 500 组参数组合,每个组合对应一个 DrivAer 掀背车(福特 OCDA 基准车型)的形态变体;几何包含详细底板、静态车轮与封闭冷却口。网格由 ANSA 的 HeXtreme 算法自动生成,为六面体主导加多面体混合结构,每个算例约 1.6 亿单元,生成耗时不足一小时;边界层按壁面函数优化,共 7 层,首层高度 0.75 mm,总高 12 mm,层间增长率在 1.2 到 1.4 之间。值得注意的是每例网格规模远高于训练时实际采样的点数,这两者是不同概念,OpenFOAM 这类求解器工具在这里的角色是数据供给方,不承担建模对象这一职责。
流场由 OpenFOAM v2212 的有限体积求解器计算,湍流模型写作 SA-σσ-DDES:近壁附着边界层走 Spalart-Allmaras RANS,分离流动区域切换到基于 Nicoud 等人 σ 模型的 LES,整体调度采用 Spalart 等人的延迟分离涡(DDES)框架,并叠加 Deck 与 Renard 的 ZDES「增强保护」屏蔽格式以避免边界层内过早触发 LES。时间推进使用瞬态 SIMPLE 算法,每个物理时间步内做多次子迭代以保证耦合非线性方程组收敛,时间积分为二阶精度隐式 Euler;已解析湍流区用二阶中心差分,其余区域用二阶迎风偏置格式。
工况设置固定:不可压假设,自由来流速度 38.889 m/s(即 140.0 km/h),环境温度 293.15 K,运动黏度 1.507×10⁻⁵ m²/s,对应轴距 2.786 m 的雷诺数约 7.19×10⁶,参考迎风面积 2.17 m²,阻塞比约 0.25%,来流偏航角为零。统计收敛由求解器与时间序列分析工具 Meancalc 联动控制:先依据拖曳、升力与侧向力时间序列识别初始瞬态并丢弃,再在统计稳定段做时间平均,当拖曳系数的 95% 置信区间达到 ±1.5 drag counts 即停机;工业界语境下一个 drag count 对应 ΔCd = 0.001。初始瞬态识别至少使用 25 个 CTU 的时间样本,整体仿真时长限制在 40 至 60 个 CTU 之间,论文报告触及该上限的算例不足 5%。
导出产品覆盖几何、表面场、体场与积分量四类:STL 表面几何、VTP 表面时均量(含与原生边界多边形逐一对齐的面积边车 NPY 文件)、分块存放的 VTU 体场、拖曳与力矩系数 CSV(分别按可变参考与固定参考给出)、几何参数与参考量 CSV、切片 VTP、以及可直接复算的 OpenFOAM 网格目录。2026 年 9 月 12 日起,全部 484 个公开算例额外提供了毫米单位的 STEP CAD 几何。
三、适用边界与前提
第一层边界来自工况固定。论文明确说明,基于车企输入,研究只改变几何变体,不改变雷诺数或来流偏航角;因此数据集中不含偏航角扫描、不含风速扫描、不含轮胎旋转工况,冷却口被封闭以排除发动机舱冷却流。这一取舍在 AutoCFD 系列基准中是刻意的:目标是比较流场求解方法本身,穷举整车气动工况谱不在其内。使用者若要回答侧风、极限转弯或热管理耦合问题,需要在既有网格与流程上另开算例,数据集本身不提供答案。
第二层边界来自数值方法本身。SA-σσ-DDES 是混合 RANS 与 LES 的建模结果,仍含建模误差:近壁区始终由 RANS 承担,分离区 LES 的切换位置由屏蔽格式近似决定,网格与时间步的各向异性影响被工程惯例吸收。论文给出的是拖曳系数 ±1.5 drag counts 的统计精度目标,即 ΔCd = 0.0015 级别的区间,这描述的是同一数值设置内部的收敛质量,不等于对真实风洞的绝对精度担保。任何把这批数据当作「真值」用于宣称代理模型达到某个绝对误差的做法,都超出了来源所能支撑的范围。
第三层边界来自许可与体量。数据集以 Creative Commons Attribution-ShareAlike 4.0 发布:使用需署名,转售与再发布需以相同许可共享,衍生数据同样受该条款约束;论文本身是作者保留版权的 arXiv 预印本。31.2 TB 的体量意味着几乎不可能完整取回,官方建议先做选择性下载与体积估算。关于下载顺序与选择性获取的具体做法,可参考数据集获取指引给出的模式。需要强调的是,许可与体量都不是技术障碍,而是项目排期约束:把「拉数据」的时间算进预算,是这类公开语料进入工程计划的第一步。
第四层边界是数据粒度与模型分辨率的关系。训练时采样点数远小于网格单元数,例如 DoMINO 类体素流程默认采样分辨率在二十万点量级,单例训练样本的显存占用可达百 GB 量级;这意味着模型看到的是稀疏采样后的场,重建误差与表面局部细节的丢失是采样策略的直接后果,不是模型容量不足。数值与求解器合集讨论了这类分辨率取舍的通用原则。
四、上手路径
第一步是不要全量克隆。官方与 AWS Labs 的示例都采用选择性下载:只取 drivaer_*.stl 与 boundary_*.vtp 两个模式,训练教程所需体量约 354 GB;全量含高分辨率网格的副本约 22.2 至 31.2 TB,差别在于是否包含 VTU 体场与 OpenFOAM 网格目录。先用 --dry-run 估算传输体积,再决定拉哪些字段,是这个数据集的标准开场。
第二步是锁定划分。数据仓库提供一份 JSON manifest 作为成员关系的唯一事实源,包含八个确定性划分:域内四档(full 400/34/50、medium 133/34/50、scarce 67/34/50、super_scarce 11/34/50),以及四档域外(几何外推、高拖曳系数、低拖曳系数、基于图像的尾流分离外推,各为 339/48/97)。数据效率分档是嵌套的,域外分档共用一份较大的训练子集。选择划分这一步会直接决定结论的含义:只跑 full 档得到的是域内上限,跑 geometry 档得到的是几何外推能力,二者不可互换比较。
第三步是搭管线。网格代理路线可参考 meshGraphNet 一类的图网络,点云与体素路线可参考 DoMINO 与 PhysicsNeMo 的统一外气动配方。配方本身有明确约束:当前不支持批量大于 1,单例显存需求随采样分辨率上升很快,采样分辨率设到二十万时高带宽存储卡已接近或超出可用显存。因此起步阶段建议先用小采样分辨率跑通数据管线,再逐步提分辨率对比精度变化,不宜直接按最大配置申请机器。NVIDIA Warp 适合承担这类自定义几何与采样算子的加速工作。
第四步是准备评估。表面指标应当做面积加权:数据仓库为每个公开算例提供与原生边界多边形一一对应的面积边车文件(float32、单位平方米),总量约 16.64 GB,缺失时用简单平均会掩盖局部误差。预处理到 Zarr 或同类分块格式能显著改善随机切片的读取效率,官方说明这一步约需数小时,且处理后的副本需与原始文件并列存储。训练协议与评测范式可对照神经算子实践教程与 PDEBench 的曲线写法。
五、横向对比
同门基准有四套,构成一个难度阶梯。AhmedML 提供 500 个参数化 Ahmed 体的算例,采用混合 RANS 与 LES,总量约 3.1 TB;WindsorML 提供 355 个 Windsor 体 WMLES 算例,约 8 TB;DrivAerML 是整车几何、尺度分辨、约 31 TB;HiLiftAeroML 是高升力飞机构型,1800 个 NASA CRM-HL 变体的 WMLES 算例,约 66.9 TB,许可为 CC BY 4.0。四者的几何复杂度、分离流强度与体量依次上升,研究问题从「能否拟合绕流」推进到「能否在真实复杂外形上做几何外推」。选哪一套取决于问题落在流场复杂度还是外形复杂度上,数据集与基准合集给出了这一维度的位置感。
代理模型路线之间的差别在数据契约层面更清楚。图网络方法直接消费网格拓扑,对三角剖分与面片面积敏感;点云与体素方法绕开拓扑,把同一算例表达为稀疏采样点,训练前处理更重但对网格质量不敏感;算子类方法(如傅里叶神经算子)在规则参数化网格上做谱域映射,适合低维参数扫掠而难以承载百万级单元的真实车身;基于自编码器的降阶模型在参数变化平滑时既便宜又可审计,是形态空间较窄时的稳妥选择。神经算子选型指南给出按问题类型排序、把架构偏好放在次要位置的判据。
与翼型类基准相比差异更明显。AirfRANS 面向二维不可压稳态翼型流动,网格规模在二三十万量级,域外任务涉及雷诺数与攻角外推;DrivAerML 是三维整车尺度分辨流动,网格规模高三个数量级,外推维度是几何形状。两者共享「域内上限远好于域外表现」这一经验,但误差量级、所需硬件与训练配方不可直接比较,翼型气动案例提供了该侧的详细口径。经典降阶模型则构成另一条对照线:它不追求高保真基线,只在设计参数平滑变化时追求可解释与快速,二者常被误当作同一层级的替代方案。
六、基准与数据
数据集自身的官方量化口径分四类。第一类是规模:500 个几何变体,484 例公开、16 例留出,总量约 31.2 TB,许可 CC BY-SA 4.0,托管在 Hugging Face 的 neashton/drivaerml 仓库。第二类是单例体积:体场文件约 50 GB、表面场 VTP 约 500 MB、STL 几何约 135 MB,单例合计约 64 GB,与总体的每例均值一致;2026 年 9 月加入的 STEP CAD 几何合计约 149 GB,面积边车侧车文件合计约 16.64 GB,覆盖 484/484 公开算例。第三类是划分:如上一节所列八个 regime 的成员数量。第四类是数值设置:约 1.6 亿单元、来流 38.889 m/s、雷诺数 7.19×10⁶、±1.5 drag counts 的收敛目标。
这套口径里最值得设计环节借鉴的是数据效率分档。full、medium、scarce、super_scarce 四档训练集规模从 400 依次降到 11,验证与测试集固定不变,于是「精度随标注样本量的曲线」成为一个可跨方法比较的量,各家自选的训练规模无法与之直接对齐。相应的,域外四档把测试集换成几何外推或拖曳系数外推子集,用于回答「训练集里出现过的形态,代理能否迁移到没出现过的形态」。这是把泛化问题写进数据发布本身的做法。
必须写明的边界是:这套数据不附带任何代理模型的精度结果。文献中基于 DrivAerML 的模型精度报告来自各自团队的实验,训练划分、采样策略与评价指标不统一,不构成一张可以直接横向排名的表。可引用的第三方工程估算来自针对 PhysicsNeMo 外气动配方的实践记录,其中给出单例网格点数、采样分辨率与显存占用的对应关系,属于行业通行估计,官方并未发布该口径,引用时须保留这一性质;官方配方 README 中的批量限制与采样默认值属于官方文档明确的口径。评估指标应回到拖曳系数相对误差、面积加权表面误差、以及域外划分上的性能三项,与算子学习与实践综述给出的报告清单一致。
七、物理 AI 场景中的用法
DrivAerML 在物理 AI 流水线里占据两个位置:一是训练数据工厂,把一次性的 CFD 产线转成可复用的监督语料;二是几何外推的评测基准,把「模型能否在未见过的车形上工作」这一问题从各家自选实验中拿出来统一回答。前者改变的是数据获取成本曲线,后者改变的是结论的可比性。项目排期时,两者应分别核算:前者属于固定成本(语料获取、存储、预处理),后者属于评测成本(需要在域外划分上重跑并对比)。传统求解器成本边界的四本账口径适用于把这两项写进同一个投资回报表。
典型用法线有三条。第一条是造型早期的快速筛选:对数百个形态参数组合用代理模型批量估计拖曳系数,筛掉明显劣势的方案再送入高保真流程。这条线的关键约束是代理的绝对精度必须与筛选容差匹配,筛选容差通常远宽于认证容差,因此代理承担排序职责,不负责给出定值。第二条是气动模块嵌入多学科优化:在外层设计优化循环中用代理替代内层 CFD 求解,这条线对代理的调用频次与稳定性要求更高,且需要明确的回退机制。第三条是几何外推能力评估:利用官方域外划分横向比较图网络、点云与算子三类方法的迁移表现,产出一份方法选型结论。SU2 气动优化案例展示了同类问题的另一条落地路径。
数据也改变了仿真自身的角色。在这套流程里,高保真求解不再用于逐个给答案,而用于生成语料、划定域外边界、以及对被代理判定为高风险的少数样本做复核。这意味着仿真预算的分配方式从「均匀铺在所有方案上」转向「集中投在代理不确定的地方」。这与流固耦合代理类案例中的做法同构,混合流固代理案例记录了相近的分工结构。
八、不适用场景与失效模式
第一类失效来自工况缺口。静态车轮意味着旋转轮胎引起的界面层与尾流扰动完全不在数据里,而实车风阻评估中这一项通常占百分之几量级;封闭冷却口排除了发动机舱冷却流与热管理相关的热浮升耦合;零偏航排除了侧风与转弯工况。若目标场景包含这些因素,用本数据集训练的代理在这些方向上没有支撑,其外推表现也无法从域外划分的分数推断出来。
第二类失效来自外形族单一。500 个变体全部来自同一个掀背车族,参数化改变的是形体比例、细节与底板特征。运动型车身、SUV、厢式货车、轻型商用车在流场拓扑上不属于同一族;把这些几何喂给在 DrivAerML 上训练的代理,属于跨族外推,与官方 geometry regime 测试的「同族未见形态」不是同一难度。需要跨族能力时,应考虑用几何生成模型扩充训练分布,或引入多族数据联合训练。
第三类失效来自评估口径。忽略面积边车而直接对表面量做算术平均,会让采样密集但面积很小的区域(如后视镜、扰流唇)与大面积平坦区域获得同等权重,从而系统性掩盖局部误差。域外划分上的分数也可能被解读得过强:geometry regime 与 high_drag regime 训练集相同、差别只在留出集构成,两个分数回答的是不同问题,放进一张表排序会误导。
第四类失效来自分辨率错配。网格规模约 1.6 亿单元,而训练采样点数低若干个数量级,模型看到的是插值后的稀疏场。若下游决策依赖表面局部压力峰值(例如风噪、抖振、局部吸力导致的结构变形),代理在训练采样率下的表现并不足以支撑这类决策。反过来,若把体场分辨率设得远高于采样率,训练成本会以显存和 I/O 双重方式膨胀。PyVista 一类工具可用于抽查重建场与原始 VTP 的差异,PyVista 在流程中的位置就在这一抽查环节。
九、版本与口径核对
记录一:arXiv:2408.11969 标题为「DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics」,作者为 Neil Ashton、Charles Mockett、Marian Fuchs、Louis Fliessbach、Hendrik Hetmann、Thilo Knacke、Norbert Schonwald、Vangelis Skaperdas、Grigoris Fotiadis、Astrid Walle、Burkhard Hupertz、Danielle Maddix,v1 提交于 2024 年 8 月 21 日,v2 修订于 2025 年 4 月 17 日。目录中的 year 取 2024,指该预印本的首发年份。
记录二:数据集托管于 Hugging Face 的 neashton/drivaerml 仓库,许可为 CC BY-SA 4.0,论文附录明确列出该许可链接与署名、相同方式共享两项条件。公开规模为 484 例、总量约 31.2 TB,另有 16 例留出未公开。数据集卡片与官方目录的核对日期为 2026 年 11 月 11 日。
记录三:纠正此前本站条目中关于来源机构的表述。DrivAerML 并非出自亚琛工业大学,作者机构为 Upstream CFD、BETA-CAE、福特、AWS AI Labs、NVIDIA 与西门子能源等;同时条目中「HiLiftAeroML 来自 NASA/SAI」的说法不成立——HiLiftAeroML 是高升力飞机数据集,基于 NASA CRM-HL 变体共 1800 个 WMLES 算例、约 66.9 TB、许可 CC BY 4.0,作者机构为 NVIDIA、波音与 Cadence,NASA 在其中提供的是几何基准,数据集出品方并非 NASA;「SAI」这一机构名在核查中找不到对应主体。
记录四:撤回两项无法核实的精度数字。此前条目称「GNN 代理的拖曳系数误差低于 3%」以及「FNO 压力重建的均方误差比 POD 低 40%」,公开文献中未能找到支撑这两项结论的一手报告,因此不予采信,也不再以任何形式出现在本条目中。数据规模、划分清单与数值设置属于可核对的事实,与之混写会污染证据等级。
记录五:纠正油耗折算口径。此前条目称「拖曳系数每降低 0.01 可节省约 0.5 L/100km」,该量级不成立。本文按以下假设自行推导:空气密度 1.225 kg/m³、参考迎风面积 2.17 m²、基准拖曳系数 0.30、汽油能量密度 32 MJ/L、轮端效率 25%。由阻力增量 ΔF = ½ρΔCdAv² 与每百公里做功 ΔE = ΔF × 100 km 推得每 0.01 Cd 对应油耗变化为 1.68×10⁻⁴·v² L/100km,其中 v 为 m/s。据此,80 km/h 约 0.08 L/100km,130 km/h 约 0.22 L/100km,160 km/h 约 0.33 L/100km,达到 0.5 L/100km 需要约 200 km/h 量级的车速。这是本文的量级估算,官方未给出该口径,实际值随整车风阻构成、传动效率与工况分布变化。
记录六:修正一处集合混淆。AirfRANS 是翼型二维不可压基准,其划分与几何外推口径与本数据集不同族;本文在第二节与第五节分别标注,避免把两者的规模与分数并列比较。记录七:论文与数据卡对「500 个变体」的表述一致,484 是分发数量,计算数量为 500;本条目同时标注两者。记录八:本文引用的 PhysicsNeMo 配方限制与显存估算,来自官方 README 与第三方工程记录两类来源,证据等级不同,已在第六节分别标注。
十、参考资料
- Ashton N., Mockett C., Fuchs M., Fliessbach L., Hetmann H., Knacke T., Schonwald N., Skaperdas V., Fotiadis G., Walle A., Hupertz B., Maddix D., “DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics”, arXiv:2408.11969, v1 2024-08-21, v2 2025-04-17.
- arXiv 记录页与全文(v2), arxiv.org/abs/2408.11969,2026-11-11 核对。
- DrivAerML 数据集卡片与仓库, huggingface.co/datasets/neashton/drivaerml,2026-11-11 核对。
- CAE ML Datasets 数据集目录(AhmedML / WindsorML / DrivAerML / HiLiftAeroML 规模与许可口径), caemldatasets.org,2026-11-11 核对。
- Spalart P.R., Rogers W.F., Yakhot V., Deck S., “A Hybrid LES-RANS Approach Using Delayed Detached-Eddies”, Journal of Fluids Engineering 120 (1998) 135-139.
- Deck S., Renard Y., “Numerical simulation of separated and re-attached flows using a modified zdes approach”, Computers & Fluids 158 (2018) 27-42.
- Fukami K., Fukagishi Y., Ibaraki J., Matsuda Y., “Machine Learning for Mesh-Based Flow Simulation: Dataset and Methods”, AIAA 2021-0873, AIAA Aviation 2021.
- Sánchez-González A. et al., “Fourier Neural Operator for Parametric Partial Differential Equations”, ICLR 2021.
- NVIDIA DoMINO 与 PhysicsNeMo 统一外气动配方 README(采样分辨率、批量限制与显存口径),2026-11-11 核对。
- DClaw 研究部,《传统求解器的成本边界:2026 年物理 AI 代理模型何时真正划算》,本站综述(2026-11-11)。
- DClaw 研究部,《神经算子选型指南》,本站综述(2026-11-11)。
本文基于公开文献与官方文档整理,仅供参考,不构成工程或投资建议。资料核查截至 2026 年 11 月 11 日;第五节与第九节中的油耗折算为本文按明示假设自行推导的量级估算,原始数据集与论文未提供该口径。