AI方法提升汽车仿真效率
自汽车行业诞生之初，降低风阻系数一直是行业的重要目标之一。数据显示，汽车行驶过程中为克服气动阻力而消耗的能量占整车能耗的20%左右。传统上，工程师利用计算流体力学(CFD)软件计算不同汽车外形的流场信息，但以一个千万级网格计算为例，完成一个设计版本的模拟需要使用约2000 CPU核·时的计算资源。
当前汽车行业车型高速迭代的趋势对整车气动阻力优化工作提出了更高的效率要求。NVIDIA和百度飞桨团队通过AI方法，基于工业级汽车空气动力学仿真数据，训练出可以秒级计算任意车型几何设计的风阻系数模型，为加速汽车设计仿真提供了全新方案。
NVIDIA PhysicsNeMo 助力风阻预测模型实现
DNNFluid-Car模型正是基于NVIDIA PhysicsNeMo开发。PhysicsNeMo是基于物理的机器学习神经网络框架，集成了可以处理流体力学、传热学、结构力学等物理问题的神经网络模型和算子。
DNNFluid-Car的核心模型基于几何信息神经算子（Geometry-informed neural operator, GINO）网络，通过纯数据驱动的方法实现对汽车表面压力和壁面剪切应力分布的预测，进而预测相应几何的汽车风阻系数。GINO网络解决了以往单纯卷积神经网络（CNN）和傅立叶神经算子（FNO）难以适应大规模汽车不规则几何外形的难题。与CNN相比，FNO具有全局感受野、高效性和网格无关性，这使得基于FNO中间层的GINO网络具有更好的泛化性和更高的精度、计算效率及空间分辨率。
在DNNFluid-Car模型开发过程中，NVIDIA和百度一起，结合模型特点，基于飞桨进行了端到端的深度加速：
训练速度提升10倍
显存占用降低50%
基于飞桨框架适配的PhysicsNeMo，能够充分利用飞桨的高阶自动微分机制和编译优化技术，部分案例在飞桨后端的训练和推理效率已初步超越了PyTorch后端。
数秒内即可获得风阻预测结果
利用DNNFluid-Car模型能够实现对未知车型的表面压力预测，在NVIDIA Tensor Core GPU环境下，数秒内即可得到汽车表面的压力分布、风阻系数等关键信息。如果仅考虑模型推理时间，DNNFluid-Car模型的计算速度比传统数值计算的速度快至少2-3个数量级，有效减少了对数以千计的CPU计算资源的依赖。
百度杰出架构师胡晓光表示：“DNNFluid-Car模型充分利用了百度飞桨深度学习框架及NVIDIA PhysicsNeMo在模型训练和模型开发等方面的便捷性与高性能的特点，为当前快速预测汽车风阻系数提供了可行的解决方案。”
持续优化与未来展望
当前，NVIDIA和百度飞桨团队正在携手与高校科研和汽车工业用户共同优化现有模型，提升模型在用户实际场景下的精度和实用性。同时，研发团队基于框架推理优化技术，将进行模型剪枝、量化等相应优化，使DNNFluid-Car模型能更加灵活地应用到多种部署环境中。
未来，结合NVIDIA Omniverse™数字孪生平台，可以打造交互式、实时汽车气动力学仿真应用。
WeChat
Profile