信息与电脑杂志

摘要：汽车风阻系数（Cd）是决定车辆能耗、行驶稳定性与续航能力的关键气动参数。然而，传统计算流体动力学（Computational Fluid Dynamics, CFD）仿真在求解Cd时存在计算耗时久、成本高、流程复杂等痛点，难以满足汽车前期设计阶段快速迭代的需求。傅里叶神经算子（Fourier Neural Operator, FNO）作为新兴的深度学习模型，在物理场模拟和偏微分方程求解中展现出卓越性能，可高效捕捉流场中的物理规律。鉴于此，文章提出了一种基于FNO的汽车风阻系数预测方法：以公开汽车气动数据集为基础，将汽车三维几何特征与流场相关特征作为输入，直接预测风阻系数；同时，选取图卷积网络（Graph Convolutional Network, GCN）、PointNet、3D U-Net三种主流深度学习模型进行对比，通过平均绝对误差（Mean Absolute Error, MAE）、均方误差（Mean Squared Error, MSE）和决定系数（R2）等精度指标，充分验证了FNO在该任务中的优势。实验结果表... 更多

关键词： 汽车风阻系数;FNO;深度学习;气动预测;

基金资助： 江苏省大学生创新创业项目(项目编号：S202511117008)；

专辑： 信息科技;工程科技Ⅱ辑

专题： 汽车工业;自动化技术

分类号： U461;TP18