基于主动学习增强的图神经网络进行车身空气动力学快速预测

《Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering》：Rapid prediction of vehicle body aerodynamics using an active learning-enhanced graph neural network

　　

摘要

实现多种工况下车载车辆的快速气动预测是车辆气动设计领域的一项关键挑战。为解决这一问题，本研究首先开发了一种基于图注意力网络（GAT）编码器的图神经网络（GNN）代理模型，用于力-压强双头预测。在多种模型和工况的参数空间中进行了气动预测，并采用三种主动学习策略——不确定性采样、多样性采样和混合采样——来提高模型的数据效率。结果表明，基于GNN的代理模型在参数空间内执行气动预测任务表现良好，力系数和压强分布的测试 $R^2$ 值分别为0.990和0.978。主动学习策略显著提高了数据利用效率，其中混合策略在数据效率方面表现出明显优势（${\eta }_{95}=0.22$），在数据量减少78%的情况下实现了全数据集训练性能的95%。本研究成功地将主动学习应用于多种工况下车身类模型的快速气动预测，为车辆气动的快速迭代开发提供了一种高效方案。

获取本文完整内容

查看所有获取和购买本文的选项。

获取权限