AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction
Vansh Sharma and Harish Jai Ganesh and Maryam Akram and Wanjiao Liu and Venkat Raman
这项研究提出了一个新的高保真多模态数据集,其中包含16000多个用于机器学习(ML)应用的汽车引擎盖的几何变体,如工程组件设计和过程优化,以及多物理系统代理。 该数据集集中在旋转滴漆过程中流体夹紧和惯性加载的实际多物理问题罩变形。 每个引擎盖都采用耦合的大涡模拟(LES)-有限元素分析(FEA)进行数值建模,总共使用120万个细胞来确保空间和时间的准确性。 该数据集提供时间解析的物理字段,以及STL网格和结构化自然语言提示,用于文本到几何合成。 现有的数据集要么局限于2D案例,表现出有限的几何变化,要么缺乏多模态注释和数据结构 - 我们用AutoHood3D解决的缺点。 我们验证了我们的数值方法,在五个神经架构中建立了定量基线,并展示了位移和力预测中的系统性替代错误。 这些发现激励了在模型训练过程中执行流体-固体耦合的新方法和多物理场损失功能的设计。 通过提供完全可重复的工作流程,AutoHood3D可以实现物理感知ML开发,加速生成设计迭代,并促进创建新的FSI基准。 附录中的数据集和代码URL。
This study presents a new high-fidelity multi-modal dataset containing 16000+ geometric variants of automotive hoods useful for machine learning (ML) applications such as engineering component design and process optimization, and multiphysics system surrogates. The dataset is centered on a practical multiphysics problem-hood deformation from fluid entrapment and inertial loading during rotary-dip painting. Each hood is numerically modeled with a coupled Large-Eddy Simulation (LES)-Finite Element...