案例簡介

NVIDIA 與百度飛槳雙方技術團隊通過在數據、算法、模型等多個方面的合作，共同打造了一款適用于車輛空氣動力學數值模擬的 3D 高精度汽車風阻預測模型——DNNFluid-Car。經過訓練的 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。

使用 AI 方法提升仿真效率

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。數據顯示，汽車行駛過程中為克服氣動阻力而消耗的能量占整車能耗的 20% 左右。通常工程師會利用計算流體力學（CFD）軟件來計算不同汽車外形的流場信息，識別并改進高阻力區域，如車身前端、車頂和尾部。而通常 CFD 通過外流場空氣動力學模擬計算風阻需要大量的計算時間和計算資源，以一個千萬級網格計算為例，完成一個設計版本的模擬使用約 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，快速提供高精度的 CFD 數值模擬結果是滿足這一需求的重要途徑。基于物理模型和傳統數值計算方法的低階矩湍流模型在實際工程 CFD 計算中得到了廣泛的應用，但其仿真速度不足以有效支撐當前汽車外形快速概念設計和全空間氣動優化的需求。

值得我們關注的是，近年來，AI 模型等相關技術在科學和工程領域的快速發展為滿足這一需求注入了希望。NVIDIA 和百度飛槳團隊通過 AI 的方法，基于工業級汽車空氣動力學仿真數據，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新的方案。

NVIDIA Modulus 助力風阻預測模型實現

近些年，利用 AI 模型預測風阻已有很多探索，但之前的模型絕大部分未考慮太多物理信息。NVIDIA Modulus正是基于物理的機器學習神經網絡框架，其中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絡模型、算子等。

DNNFluid-Car 正是基于 NVIDIA Modulus，其中核心模型基于幾何信息神經算子（Geometry-informed neural operator, GINO）網絡，通過純數據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的風阻系數。GINO 網絡解決了以往單純卷積神經網絡（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。另外，與 CNN 相比，FNO 具有全局感受野、高效性和網格無關性，這使得基于 FNO 中間層的 GINO 網絡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 DNNFluid-Car 模型特點，基于飛槳進行了端到端的深度加速，模型訓練效果與優化前相比，訓練速度提升了 10 倍，顯存占用降低了 50%。事實上，基于飛槳框架適配的 Modulus，能夠充分利用飛槳的高階自動微分機制和編譯優化技術，部分案例在飛槳后端的訓練和推理效率已初步超越了 PyTorch 后端。

另外，作為純數據驅動的模型，DNNFluid-Car 模型的訓練數據為 CFD 數值模擬數據，該數據的生成過程包括幾何生成、網格劃分、數值模擬和后處理。DNNFluid-Car 針對以上內容分別進行了汽車幾何生成和修復、數據下采樣優化。

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、風阻系數等關鍵信息。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。

百度杰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 Modulus 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 AI 精度和推理速度

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要求。同時，針對模型推理與部署中計算資源需求大的問題，研發團隊基于框架推理優化技術，也將進行模型剪枝、量化等相應的優化，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數字孿生平臺，可以打造交互式、實時汽車氣動力學仿真應用。