Proces pro samostatný model strojového učení pro predikci aerodynamických sil na vozidla

Abstract

Tato práce se zabývá využitím modelů strojového učení pro predikci aerodynamických vlastností v raných fázích vývoje vozidel. Cílem je nahradit nebo doplnit tradiční metody rychlejšími a výpočetně efektivnějšími alternativami. Grafová neuronová síť MeshGraphNet je hodnocena jako výchozí model pro predikci aerodynamických veličin na povrchu vozidla. Její omezení jsou analyzována, včetně absence informace o globální geometrické struktuře vozidla a nedostatečného popisu lokálních geometrických vlastností. Pro řešení těchto nedostatků je navržena nová architektura s názvem LaplaceAeroNet, která vykazuje vyšší přesnost a robustnost. Model spolehlivě predikuje aerodynamické chování i pro geometrie vozidel obsahující prvky jako kola, spoilery nebo změny světlé výšky, které nebyly zahrnuty ve trénovacích datech. Pro odhad důvěry v predikce modelu je použita metoda kvantifikace nejistoty založená na ansámblu modelů. Druhá část práce je volitelným rozšířením mimo hlavní zaměření a zabývá se predikcí třírozměrného aerodynamického proudění kolem vozidla. Navržený model FourierAeroNet kombinuje Fourierův neuronový operátor s doladěním pomocí U-Netu prostřednictvím architektury U-Fourier Neural Operator a dosahuje lepších výsledků než výchozí konvoluční model díky efektivnějšímu zachycení dlouhodobých struktur proudění. Výsledky ukazují, že modely strojového učení mohou poskytovat přesné a efektivní náhradní predikce, které podporují aerodynamickou analýzu a rozhodování v raných fázích vývoje vozidla.

This thesis investigates the use of Machine Learning (ML) models for aerodynamic prediction in the early stages of automotive design. The objective is to replace or complement traditional methods with faster and more computationally efficient alternatives. The Graph Neural Network (GNN) MeshGraphNet is evaluated as a baseline for predicting surface aerodynamic quantities. Its limitations, including the lack of global geometric information about the vehicle shape and insufficient encoding of local geometric features, are analyzed. A new architecture called LaplaceAeroNet is proposed to address these issues and demonstrates improved accuracy and robustness. The model reliably predicts aerodynamic behavior even for vehicle geometries containing local features such as wheels, spoilers, or variations in ride height that were not included in the training data. To estimate the models confidence, an ensemble-based uncertainty quantification method is employed. The second part of the thesis is an optional extension beyond the primary focus and addresses the prediction of the full three-dimensional aerodynamic flow around the vehicle. A proposed model called FourierAeroNet combines a Fourier Neural Operator (FNO) with U-Net refinement through the U-Fourier Neural Operator (U-FNO) architecture and outperforms a convolutional baseline by more effectively capturing long-range flow structures. The results show that ML models can provide accurate and efficient surrogate predictions, supporting aerodynamic analysis and design decisions in the early phases of vehicle development.