【Hackathon 7th PPSCI No.3】NO.3 DrivAerNet++ 论文复现 #1048
Closed
Conversation
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
|
Thanks for your contribution! |
|
需要进一步完成数据集的下载工作：https://dataverse.harvard.edu/dataverse/DrivAerNet |
ppsci/arch/__init__.py
Outdated
| @@ -16,6 +16,10 @@ | |||
|
|
|||
| import copy | |||
|
|
|||
| from ppsci.arch.regdgcnn import RegDGCNN | |||
|
📢：请尽快完善锁定的PR，并确保在2025年1月10日（不再延期）前完成合入。逾期未合入PR将无法获得奖金发放。 |
wangguan1995
reviewed
Jan 7, 2025
docs/zh/examples/DrivAerNet.md
Outdated
There was a problem hiding this comment.
There was a problem hiding this comment.
用这个替代图片上传，其他图片同理，都已经放在这个路径下了，只需要修改fig4.jpg名称即可
| plotter.add_axes() | ||
| plotter.show() | ||
|
|
||
| def visualize_point_cloud(self, idx): |
| @@ -0,0 +1,2 @@ | |||
| pyvista==0.43.3 | |||
| trimesh==4.0.8 | |||
There was a problem hiding this comment.
这两个库想想办法尽量去掉，可以使用meshio(这个库不需要用户进行额外安装)
文件删掉
ppsci/arch/regdgcnn.py
Outdated
There was a problem hiding this comment.
RegDGCNN是另一篇论文提出的，不要放在这个PR，不利于问题追溯
| @@ -0,0 +1,494 @@ | |||
| import logging | |||
ppsci/arch/regpointnet.py
Outdated
| PointNet-based regression model for 3D point cloud data. | ||
|
|
||
| Args: | ||
| args (dict): Configuration parameters including 'emb_dims' for embedding dimensions and 'dropout' rate. |
ppsci/metric/max_ae.py
Outdated
| # limitations under the License. | ||
|
|
||
| from __future__ import annotations | ||
|
|
ppsci/metric/r2_score.py
Outdated
| # limitations under the License. | ||
|
|
||
| from __future__ import annotations | ||
|
|
ppsci/metric/r2_score.py
Outdated
| # Calculate R^2 score | ||
| r2score = 1 - ( | ||
| rss / (tss + 1e-8) | ||
| ) # Add small epsilon to avoid division by zero |
There was a problem hiding this comment.
这个建议直接assert，如果tss很小反正也算不对
wangguan1995
reviewed
Jan 7, 2025
| |年份 | 会议 | 作者|引用数 | 论文PDF | | ||
| |-----|-----|-----|---|-----| | ||
| |2024| Conference and Workshop on Neural Information Processing Systems |Mohamed Elrefaie, Florin Morar, Angela Dai, Faez Ahmed|4|DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks| | ||
|
|
|
|
||
| **基准几何体生成：**在汽车空气动力学中，根据汽车后端[ 33、34 ]处的气流形态，通常将生产汽车分为三大类：后备箱型、快背型和凹槽型汽车。为了确保本研究的数据集涵盖了大多数传统汽车设计的整个设计空间，本研究基于DrivAer模型[ 47 ]创建了具有不同设计的多个参数化模型。这包括不同的后部构型- -快背、后掠和凹口- -导致不同的尾流结构和流场形态。此外，本研究还改变了车轮，包括开放和封闭的设计，以及平滑和详细的选项。对于汽车底座，本研究既包括典型的ICE汽车的详细底座，也包括适用于电动汽车(见图2)的平滑底座。通过探索各种后部、车轮和下车体构型，本研究旨在提供对其气动影响的全面理解，从而支持开发更鲁棒和可泛化的深度学习模型。对于参数化模型的创建，本研究利用商业软件ANSA ®定义了26个几何参数，允许本研究对这些参数化模型进行变形，从而得到一个大规模的3D汽车数据集。本研究的目标是开发一个过程生成器，以创建拓扑有效的汽车设计，确保每个设计都满足CFD求解器评估的必要要求和汽车设计师的可用性。 | ||
|
|
||
|  |
|
|
||
| **高分辨率3D行业标准设计：**本研究的设计策划包括选择有效的汽车配置，然后进行详细的CFD模拟，以评估空气动力学性能。本研究的目标是创建一个平衡的数据集，包含各种各样的汽车设计，确保覆盖不同的空气动力学性能指标和美学考虑。图3展示了用于生成DrivAerNet + +数据集的设计参数子集。通过为每个参数定义一个下界和上界，并对基准参数模型进行变形，本研究确保了适合工程应用和模拟的全面和定义良好的表示。本研究的设计方法是多样性保持的，确保优化不会导致过于相似的设计。为了实现这一点，本研究采用了最优拉丁超立方采样进行实验设计( DoE )。具体来说，本研究采用增强型随机进化算法( ESE ) [ 17 ]来保证设计空间的高效采样。使用这些步骤，DrivAerNet + +的多样性明显高于DrivAerNet [ 22 ]。 | ||
|
|
||
|  |
|
|
||
| 图4显示了不同设计构型和类别之间气动性能的比较分析，突出了本研究数据集的多样性和规模。 | ||
|
|
||
|  |
|
|
||
| 为了标准化参数研究，本研究关注26个参数，而不是50个参数，因为DrivAerNet [ 22 ]的50个几何参数模型仅基于一个汽车类别，特别是带有详细底座和开放车轮的快背车。结果如图5所示，AutoGluon在单个快背类别上表现较好，而LightGBM在组合数据集上表现较好。尽管如此，所有模型在组合数据集上的性能都有所下降。一个有意义的发现是，对于所有的模型，无论是单个类别还是组合类别，扩大数据集的大小都会带来性能的提升。例如，通过将训练集大小从640增加到3200，XGBoost的R2值从大约0.35增加到0.55。 | ||
|
|
||
|  |
|
|
||
| 在这里，本研究测试了在PyTorch [ 49 ]和PyTorch Geometric [ 25 ]中实现的不同几何深度学习模型(点网络、GCNN 、RegDGCNN )，用于气动阻力的代理模型建模任务，突出了数据集多样性和缩放的重要性。具体来说，本研究使用不同的表示来训练模型，包括基于图的模型和基于点云的模型。与以往研究[ 37、20、43、6]不同的是，在一个汽车设计(快车)上训练模型，在另一个实验中，在所有设计(有长坡度车顶的汽车、客货两用汽车和Estateback)上训练模型。首先，本研究在DrivAerNet数据集[ 22 ]上训练深度学习模型，该数据集包括带有详细底座、开轮和镜子的快背板的变体。该数据集包含4，000个汽车设计( 2800个用于训练,大约600个用于验证, 600个用于测试)，结果如表2所示。然后，在DrivAerNet + +数据集上训练和测试相同的模型，该数据集包含8，000个(有长坡度车顶的汽车、带后背、客货两用汽车、流畅细致的底座、不同的车轮配置)广泛变化的汽车设计，分为5，600个用于训练，1，200个用于验证，1，200个用于测试，结果如表3所示。 | ||
|
|
||
|  |
|
|
||
| 表2：在包含600个汽车设计的DrivAerNet [ 22 ]数据集(采用开轮、带反射镜和详细的底架结构的快背式设计)的测试集上对用于气动阻力预测的深度学习模型进行对比分析。 | ||
|
|
||
|  |
|
|
||
|  | ||
|
|
||
| 表3：深度学习模型在DrivAerNet + + ( All car )包含1200款汽车设计的测试集上进行气动阻力预测的对比分析。 |
|
|
||
| ``` | ||
|
|
||
| ## 4. 完整代码 |
There was a problem hiding this comment.
此处可以参考其他md文档文件，直接应用py文件的内容到md内部
|
修改文档bug + AIStudio更新跑通加精 |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
Add this suggestion to a batch that can be applied as a single commit.
This suggestion is invalid because no changes were made to the code.
Suggestions cannot be applied while the pull request is closed.
Suggestions cannot be applied while viewing a subset of changes.
Only one suggestion per line can be applied in a batch.
Add this suggestion to a batch that can be applied as a single commit.
Applying suggestions on deleted lines is not supported.
You must change the existing code in this line in order to create a valid suggestion.
Outdated suggestions cannot be applied.
This suggestion has been applied or marked resolved.
Suggestions cannot be applied from pending reviews.
Suggestions cannot be applied on multi-line comments.
Suggestions cannot be applied while the pull request is queued to merge.
Suggestion cannot be applied right now. Please check back later.
PR types
Others
PR changes
APIs、Docs
Describe
本PR的目标是复现RegPointNet网络，将DrivAerNet++处理成ppsci版API，并且加入对应的文档说明。
论文信息
现结果