## 中文标题 Physics-Attention风噪Transformer：用于快速汽车风噪预测的点云深度学习代理模型

《Designs》：Physics-Attention Wind Noise Transformer: A Point Cloud Deep Learning Surrogate for Rapid Automotive Wind Noise Prediction

　　

汽车空气动力风噪的准确预测对座舱舒适性和早期造型设计至关重要，然而传统计算流体力学（CFD）和风洞工作流成本过高，难以支持快速设计迭代。本文提出一种点云代理模型，结合最远点采样（FPS）与源自Transolver的物理启发切片注意力机制。此处“物理启发”指表征层面的归纳偏置；该模型不施加控制方程残差、守恒约束或基于物理的损失函数。外部网格被转换为10,240点几何输入，并构建了一个包含867个轿车和运动型多用途车（SUV）变体的受控数据集，均在120 km/h和零偏航角条件下生成。在随机测试分割上，模型在A计权声压级（dB(A)）、声压级（SPL）和无量纲清晰度指数（AI）上分别获得2.30 dB(A)、2.56 dB和0.0068的均方根误差（RMSE），在RTX 4090上单样本推理时间为0.80秒。重复种子和分组分割分析表明模型具有良好的精度-延迟权衡，同时显示对保留车辆系列的泛化性能出现可测量的下降。单车风洞对比验证了强频率趋势相关性，但揭示模拟平均过预测2.70 dB；因此，当前代理模型应主要被解释为模拟标签的仿真器，而非对实测座舱噪声的通用无偏预测器。

## 论文解读文章

### 研究背景与现有问题

随着汽车电动化进程加速和消费者对座舱舒适性要求的不断提升，气动风噪已成为现代乘用车的主要车内噪声源之一。相关研究指出，风噪源于高速气流与车辆外部的相互作用，在A柱、外后视镜、挡风玻璃边缘和车窗框架等几何敏感区域诱发流动分离、压力脉动和声辐射。在120 km/h以上巡航速度下，中高频段贡献了大部分感知烦扰度，长期暴露可能增加驾驶员疲劳和乘客不适。因此，精确的风噪预测已成为噪声、振动与粗糙度（NVH）开发的核心需求。

然而，现有方法面临根本性挑战。传统机器学习方法如克里金法、响应面法和径向基函数网络，依赖手工设计的几何描述符或参数化形状模型，难以完整表征真实车身的复杂三维表面，且通常需要为每个车辆平台单独建模