AI方法提升汽車仿真效率
自汽車行業誕生之初，降低風阻系數一直是行業的重要目標之一。資料顯示，汽車行駛過程中為克服氣動阻力而消耗的能量佔整車能耗的20%左右。傳統上，工程師利用計算流體力學(CFD)軟體計算不同汽車外形的流場資訊，但以一個千萬級網格計算為例，完成一個設計版本的模擬需要使用約2000 CPU核·時的計算資源。
當前汽車行業車型高速迭代的趨勢對整車氣動阻力優化工作提出了更高的效率要求。NVIDIA和百度飛槳團隊通過AI方法，基於工業級汽車空氣動力學仿真資料，訓練出可以秒級計算任意車型幾何設計的風阻系數模型，為加速汽車設計仿真提供了全新方案。
NVIDIA PhysicsNeMo 助力風阻預測模型實現
DNNFluid-Car模型正是基於NVIDIA PhysicsNeMo開發。PhysicsNeMo是基於物理的機器學習神經網路框架，集成了可以處理流體力學、傳熱學、結構力學等物理問題的神經網路模型和算子。
DNNFluid-Car的核心模型基於幾何資訊神經算子（Geometry-informed neural operator, GINO）網路，通過純資料驅動的方法實現對汽車表面壓力和壁面剪切應力分布的預測，進而預測相應幾何的汽車風阻系數。GINO網路解決了以往單純卷積神經網路（CNN）和傅立葉神經算子（FNO）難以適應大規模汽車不規則幾何外形的難題。與CNN相比，FNO具有全局感受野、高效性和網格無關性，這使得基於FNO中間層的GINO網路具有更好的泛化性和更高的精度、計算效率及空間分辨率。
在DNNFluid-Car模型開發過程中，NVIDIA和百度一起，結合模型特點，基于飛槳進行了端到端的深度加速：
訓練速度提升10倍
顯存佔用降低50%
基于飛槳框架適配的PhysicsNeMo，能夠充分利用飛槳的高階自動微分機制和編譯優化技術，部分案例在飛槳後端的訓練和推理效率已初步超越了PyTorch後端。
數秒內即可獲得風阻預測結果
利用DNNFluid-Car模型能夠實現對未知車型的表面壓力預測，在NVIDIA Tensor Core GPU環境下，數秒內即可得到汽車表面的壓力分布、風阻系數等關鍵資訊。如果僅考慮模型推理時間，DNNFluid-Car模型的計算速度比傳統數值計算的速度快至少2-3個數量級，有效減少了對數以千計的CPU計算資源的依賴。
百度傑出架構師胡曉光表示：「DNNFluid-Car模型充分利用了百度飛槳深度學習框架及NVIDIA PhysicsNeMo在模型訓練和模型開發等方面的便捷性與高性能的特點，為當前快速預測汽車風阻系數提供了可行的解決方案。」
持續優化與未來展望
當前，NVIDIA和百度飛槳團隊正在攜手與高校科研和汽車工業用戶共同優化現有模型，提升模型在用戶實際場景下的精度和實用性。同時，研發團隊基於框架推理優化技術，將進行模型剪枝、量化等相應優化，使DNNFluid-Car模型能更加靈活地應用到多種部署環境中。
未來，結合NVIDIA Omniverse™數字孿生平台，可以打造交互式、實時汽車氣動力學仿真應用。
WeChat
Profile