CN116628863A - 车辆风阻系数确定方法、设备和介质 - Google Patents

车辆风阻系数确定方法、设备和介质 Download PDF

Info

Publication number
CN116628863A
CN116628863A CN202310904020.0A CN202310904020A CN116628863A CN 116628863 A CN116628863 A CN 116628863A CN 202310904020 A CN202310904020 A CN 202310904020A CN 116628863 A CN116628863 A CN 116628863A
Authority
CN
China
Prior art keywords
voxel
empty
wind resistance
resistance coefficient
target non
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310904020.0A
Other languages
English (en)
Other versions
CN116628863B (zh
Inventor
刘学龙
胡济民
张瑞昊
袁海东
秦青
王海洋
牟连嵩
赵丰
王丹
刘樱子
郝剑虹
闫晓晓
黄忠辕
李向良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automotive Technology and Research Center Co Ltd
CATARC Tianjin Automotive Engineering Research Institute Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Tianjin Automotive Engineering Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Automotive Technology and Research Center Co Ltd, CATARC Tianjin Automotive Engineering Research Institute Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202310904020.0A priority Critical patent/CN116628863B/zh
Publication of CN116628863A publication Critical patent/CN116628863A/zh
Application granted granted Critical
Publication of CN116628863B publication Critical patent/CN116628863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种车辆风阻系数确定方法、设备和介质，通过将目标车辆的车辆三维模型放置于立方体包围盒内，并对立方体包围盒进行递归的八叉树分割，在预设深度对应的各子立方体中，将包含几何表面的子立方体确定为目标非空体素，将不包含几何表面的子立方体确定为目标空体素，得到对应的体素特征，以将目标车辆的外造型按照八叉树结构离散，并通过法向量对离散的复杂曲面进行简化，能够保留原始三维模型的细节，进而利用风阻系数预测模型对八叉树形式的外造型进行特征提取，从而快速确定风阻系数，能够解决车辆风阻性能设计及验证周期长、成本高的问题，并且保证了风阻系数的准确性。

Description

车辆风阻系数确定方法、设备和介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种车辆风阻系数确定方法、设备和介质。
背景技术
空气动力学对于降低燃油消耗、延长车辆续航里程、提高动力性具有重要意义，风阻系数是衡量空气动力学性能的重要指标。目前，确定车辆风阻系数的主要方法是风洞试验和计算流体力学（Computational Fluid Dynamics，CFD）仿真，风洞试验得到的空气动力学性能指标较为准确，但准备周期长，试验费用高；CFD仿真通过求解流体力学微分方程获取空气动力学性能指标，相较于风洞试验，CFD仿真可以获取更为详细的流场信息，但仍需花费大量时间进行验证。
然而，上述两种确定车辆风阻系数的方法均不能满足当代车辆外造型快速迭代的需求。此外，现有技术无法在保留外造型三维特征的前提下快速确定车辆风阻系数。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种车辆风阻系数确定方法、设备和介质，解决现有技术中不能满足当代车辆外造型快速迭代的需求，并且，实现在保留外造型三维特征的前提下快速确定车辆风阻系数，保证了车辆风阻系数的准确性。
本发明实施例提供了一种车辆风阻系数确定方法，包括：
获取目标车辆的车辆三维模型，将所述车辆三维模型放置于立方体包围盒内，并将所述立方体包围盒作为待划分立方体，对所述待划分立方体进行八叉树分割，得到多个子立方体；
判断当前分割深度是否达到预设深度，若否，则将包含所述车辆三维模型的几何表面的子立方体作为待划分立方体，更新所述当前分割深度，并返回执行对所述待划分立方体进行八叉树分割的操作，直至所述当前分割深度达到预设深度；
在所述预设深度对应的各子立方体中，将包含所述几何表面的子立方体确定为目标非空体素，并根据包含的几何表面的平均法向量确定所述目标非空体素的体素特征，将不包含所述几何表面的子立方体确定为目标空体素，并根据零向量确定所述目标空体素的体素特征；
将各所述目标非空体素以及各所述目标空体素的体素特征输入至预先训练的风阻系数预测模型中，得到所述风阻系数预测模型输出的所述目标车辆的风阻系数。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的车辆风阻系数确定方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行任一实施例所述的车辆风阻系数确定方法的步骤。
本发明实施例具有以下技术效果：
通过获取目标车辆的车辆三维模型，将其放置于立方体包围盒内，并将立方体包围盒作为待划分立方体，对其进行八叉树分割，得到多个子立方体，进而判断当前分割深度是否达到预设深度，若否，则将包含车辆三维模型的几何表面的子立方体作为待划分立方体，更新当前分割深度，并返回执行对其进行八叉树分割的操作，直至当前分割深度达到预设深度，在预设深度对应的各子立方体中，将包含几何表面的子立方体确定为目标非空体素，根据包含的几何表面的平均法向量确定目标非空体素的体素特征，将不包含几何表面的子立方体确定为目标空体素，并根据零向量确定空体素的体素特征，以将目标车辆的外造型按照八叉树结构离散，并通过法向量对离散的复杂曲面进行简化，能够保留原始三维模型的细节，进而将其作为外造型特征输入至预先训练好的风阻系数预测模型中，利用风阻系数预测模型对八叉树形式的外造型进行特征提取，从而快速确定风阻系数，能够解决车辆风阻性能设计及验证周期长、成本高的问题，满足当代车辆外造型快速迭代的需求，并且可以更准确地评估造型差异化特征对风阻性能的影响，保证了风阻系数的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆风阻系数确定方法的流程图；
图2为本发明实施例提供的一种八叉树分割示意图；
图3为本发明实施例提供的一种八叉树节点编号及坐标示意图；
图4为本发明实施例提供的一种平均法向量示意图；
图5为本发明实施例提供的一种风阻系数预测模型的预测过程示意图；
图6为本发明实施例提供的一种体素的卷积和最大池化示意图；
图7为本发明实施例提供的一种预设哈希表示意图；
图8为本发明实施例提供的一种ReLU激活函数的示意图；
图9为本发明实施例提供的各稀疏卷积神经网络的平均相对误差分析图；
图10为本发明实施例提供的一种预测值与仿真值的对比分析示意图；
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在对本发明实施例提供的车辆风阻系数确定方法进行详细介绍之前，先对该方法解决的技术问题进行说明。
风洞试验和计算流体力学（CFD）仿真方法，均不能满足当代车辆外造型快速迭代的需求。快速确定车辆风阻系数，可以采用参数化方法，即通过选取对风阻系数影响较大的外造型参数，再通过数学模型（遗传算法、响应面模型、神经网络等）建立外造型参数与风阻系数之间的映射关系。然而，该方法在预测模型输入参数的处理上采用了将三维复杂模型简化为低维参数化特征的方式，但车辆外造型存在大量复杂曲面，一维或二维特征难以对其进行充分表达，其无法在保留外造型三维特征的前提下快速确定车辆风阻系数，导致确定的风阻系数的准确性低。
因此，为了解决上述问题，本发明实施例提供了一种车辆风阻系数确定方法，实现对车辆外造型的三维特征的准确提取，进而实现基于三维特征的风阻系数的确定，解决了现有技术中不能满足当代车辆外造型快速迭代的需求，并且，在保留外造型三维特征的前提下快速确定车辆风阻系数，保证了车辆风阻系数的准确性。此外，与参数化方法相比，本发明实施例通过三维特征的提取以及模型的预测，省略了对影响较大的外造型参数的选取过程，直接建立了车辆三维模型与风阻系数之间的映射关系，能够在只给出三维模型的基础上对其风阻系数进行快速预测。
本发明实施例提供的车辆风阻系数确定方法，主要适用于根据车辆的外造型（即车辆三维模型）确定对应的风阻系数的情况，如，可以应用于整车开发阶段，该方法无需进行CFD计算或风洞试验即可快速且准确确定车辆的风阻系数，从而达到快速评估车辆外造型设计方案的目的。本发明实施例提供的车辆风阻系数确定方法可以由集成云端或服务器等电子设备中的车辆风阻系数确定装置执行。
图1为本发明实施例提供的一种车辆风阻系数确定方法的流程图。参见图1，该车辆风阻系数确定方法具体包括：
S110、获取目标车辆的车辆三维模型，将车辆三维模型放置于立方体包围盒内，并将立方体包围盒作为待划分立方体，对待划分立方体进行八叉树分割，得到多个子立方体。
其中，目标车辆可以是待确定风阻系数的车辆，车辆三维模型可以是基于目标车辆的车辆外造型所构建的结构模型。具体的，可以将车辆三维模型放置于立方体包围盒，该立方体包围盒可以理解为八叉树的根节点。
示例性的，可以根据车辆三维模型中最长的边，确定立方体包围盒对应的边长，进而根据对应的边长构建立方体包围盒，以通过立方体包围盒包围车辆三维模型。例如，将车辆三维模型中最长的边作为立方体包围盒对应的边长，或者，将车辆三维模型中最长的边与预设预留长度的和作为立方体包围盒对应的边长。
具体的，在将车辆三维模型放置于立方体包围盒内之后，可以将立方体包围盒作为待划分立方体，对其进行八叉树分割，即进行均匀八等分，得到多个子立方体。其中，在对立方体包围盒进行八叉树分割后，当前分割深度可以为1。
S120、判断当前分割深度是否达到预设深度，若否，则将包含车辆三维模型的几何表面的子立方体作为待划分立方体，更新当前分割深度，并返回执行对待划分立方体进行八叉树分割的操作，直至当前分割深度达到预设深度。
具体的，可以将当前分割深度是否达到预设深度作为迭代分割的判断条件，如果当前分割深度没有达到预设深度，则可以针对包含车辆三维模型的几何表面的子立方体（即非空的子立方体），将其作为待划分立方体，更新当前分割深度（即当前分割深度加1），并返回继续对该待划分立方体进行八叉树分割，以将当前分割深度处的非空子立方体在下一个分割深度继续等分为8个子立方体，按照此递归方式操作直至达到预设深度。
示例性的，八叉树深度为l处子立方体的边长a=L/2l。图2为本发明实施例提供的一种八叉树分割示意图，如图2所示，立方体包围盒为八叉树的根节点，立方体包围盒的边长为L，经过第一次八等分后，对应的各子立方体的边长为a，分割深度l为1，经过第二次八等分后，分割深度l为2，经过第三次八等分后，分割深度l为3。
在本发明实施例中，在完成对立方体包围盒的递归划分后，每一个分割深度处的各子立方体可以理解为各个节点，可以在每一个分割深度处对其对应的各节点进行编号。示例性的，图3为本发明实施例提供的一种八叉树节点编号及坐标示意图，如图3所示，可以按照“双N”型排列方式对每个分割深度的所有节点进行排序，进而得到各个节点的编号，如图中的1~8。
S130、在预设深度对应的各子立方体中，将包含几何表面的子立方体确定为目标非空体素，并根据包含的几何表面的平均法向量确定目标非空体素的体素特征，将不包含几何表面的子立方体确定为目标空体素，并根据零向量确定目标空体素的体素特征。
在本发明实施例中，在完成对立方体包围盒的递归划分后，可以针对预设深度处的各子立方体，将其中存在车辆三维模型的几何表面的子立方体确定为目标非空体素，将其中不存在车辆三维模型的几何表面的子立方体确定为目标空体素。
具体的，针对各个目标非空体素，可以在其内部的车辆三维模型的几何表面上选取采样点，将选取的所有采样点的法向量的平均值确定为目标非空体素的体素特征。示例性的，可以满足如下公式：
；
式中，为采样点的法向量，m为选取的采样点的数量，/>为平均法向量。示例性的，图4为本发明实施例提供的一种平均法向量示意图，参见图4，其中(a)展示了个采样点的法向量，(b)展示了各采样点的法向量的平均值，即平均法向量。
此外，针对各个目标空体素，由于其内部不存在车辆三维模型的几何表面，因此，可以分配零向量作为目标空体素的体素特征。
S140、将各目标非空体素以及各目标空体素的体素特征输入至预先训练的风阻系数预测模型中，得到风阻系数预测模型输出的目标车辆的风阻系数。
具体的，在得到预设深度处的各目标非空体素的体素特征以及各目标空体素的体素特征后，可以将其作为风阻系数预测模型的输入，得到风阻系数预测模型输出的目标车辆的风阻系数。
其中，风阻系数预测模型可以是通过训练集训练过的神经网络，如，可以是稀疏卷积神经网络。采用稀疏卷积神经网络构建风阻系数预测模型的目的在于：考虑到输入到模型中的三维数据可能使得基于体素化的卷积神经网络的计算开销和存储开销过大，因此，可以采用稀疏卷积神经网络的数据存储以及运算形式，解决上述问题，通过稀疏卷积神经网络对输入的三维数据进行特征提取，在一定程度上解决了三维卷积神经网络计算、存储开销过大的问题。
示例性的，图5为本发明实施例提供的一种风阻系数预测模型的预测过程示意图，如图5所示，目标车辆的几何模型（即车辆三维模型）经过多次八叉树分割后，将预设深度处的目标空体素和目标非空体素输入至风阻系数预测模型中，经过风阻系数预测模型中的卷积层、ReLU(Linear rectification function，线性校正函数)、池化层、全连接层等单元，得到模型输出的风阻系数。
在一种具体的实施方式中，将各目标非空体素以及各空体素的体素特征输入至预先训练的风阻系数预测模型中，得到风阻系数预测模型输出的目标车辆的风阻系数，包括如下步骤：
步骤11、将各目标非空体素以及各目标空体素的体素特征输入至预先训练的风阻系数预测模型中，其中，风阻系数预测模型包括至少一个卷积模块以及至少一个全连接层，卷积模块包括卷积层、与卷积层连接的激活单元和与激活单元连接的池化层；
步骤12、针对每一个卷积模块，通过卷积模块中的卷积层对各目标非空体素的体素特征进行卷积处理，并根据卷积层的输出更新目标非空体素的体素特征；
步骤13、通过卷积模块中的激活单元对各目标非空体素的体素特征进行非线性映射，并根据激活单元的输出更新目标非空体素的体素特征；
步骤14、通过卷积模块中的池化层对各目标非空体素的体素特征进行降采样处理，并根据池化层的输出更新目标非空体素的体素特征；
步骤15、通过全连接层对各目标非空体素的体素特征进行处理，得到目标车辆的风阻系数。
在风阻系数预测模型中，多个卷积模块可以依次连接，在多个卷积模块依次连接之后，最后一个卷积模块可以连接一个全连接层，如果全连接层的数量为多个，则多个全连接层也可以依次连接。
具体的，在各目标非空体素以及各目标空体素的体素特征进入风阻系数预测模型后，首先经过卷积模块中的卷积层对各目标非空体素进行卷积，如此以来不会导致非空体素增加或减少，从而保持特征图的稀疏性。
示例性的，图6为本发明实施例提供的一种体素的卷积和最大池化示意图，如图6所示，以输入至模型中的体素为分割深度l=2处的体素为例，其中目标非空体素的数量为3个，则可以使用3个卷积核分别对3个目标非空体素进行卷积。
针对上述步骤12，可选的，通过卷积模块中的卷积层对各目标非空体素的体素特征进行卷积处理，并根据卷积层的输出更新目标非空体素的体素特征，包括：对于每一个目标非空体素，通过卷积层对应的权值和偏差、目标非空体素的体素特征、以及与目标非空体素相邻的其它体素的体素特征，确定卷积层的输出；基于卷积层的输出更新目标非空体素的体素特征。
即，可以通过卷积层对应的权值和偏差、目标非空体素的体素特征、以及邻域节点的体素特征，计算该目标非空体素的体素特征。例如，可以参见如下公式：
其中，为目标非空体素O卷积后的体素特征，/>为O的邻域节点，即与O相邻的其它体素，T（·）表示与/>相关的特征，T (n)（·）表示与/>相关的特征中的第n个通道，/>为卷积层对应的权值，b为卷积层对应的偏差，f[·]表示激活函数，i、j、k分别不同方向。如果在八叉树中不存在O ijk，则可以将T（O ijk）设置为零向量。
进一步的，在对各个目标非空体素进行卷积运算后，可以使用卷积层输出的体素特征来更新目标非空体素的体素特征。通过上述方式，可以实现对输入的特征的稀疏卷积，在进行卷积计算时，卷积核只对特征值不为0的目标非空体素进行卷积操作，这样不会导致非空体素增加或减少，从而保持特征图的稀疏性，解决三维卷积神经网络计算、存储开销过大的问题。
在本发明实施例中，由于卷积层在对输入的目标非空体素进行卷积运算的过程中，需要根据卷积核大小查询卷积核中心对应的体素及其周围体素的特征值，在每个体素的体素特征均存储在数组里的情况下，若根据坐标对数组进行线性索引，随着八叉树深度的增加，计算机在执行线性索引时会产生较大的时间开销，因此，为了便于根据体素的坐标快速查找其对应的体素特征，还可以通过构建哈希表的方式协助查询。
在一种示例中，在将各目标非空体素以及各目标空体素的体素特征输入至预先训练的风阻系数预测模型中之前，还包括：根据各体素的编号顺序将各体素的体素特征存储在特征数组中，其中，编号顺序通过对各体素进行排列得到；
相应的，在通过卷积层对应的权值和偏差、目标非空体素的体素特征、以及与目标非空体素相邻的其它体素的体素特征，确定目标非空体素的体素特征之前，还包括：针对目标非空体素或与目标非空体素相邻的其它体素，确定体素在根节点中的坐标，其中，根节点用于描述立方体包围盒；对体素在根节点中的坐标进行哈希计算，得到体素对应的哈希索引值；基于哈希索引值在预设哈希表中查询对应的编号，通过查询到的编号，在特征数组中查询体素的体素特征。
具体的，在将体素特征输入至模型之前，可以先将体素特征按照编号顺序存储在特征数组中，编号顺序可以是按照双N型排列方式对各体素（包括目标非空体素以及目标空体素）进行排列得到的顺序。
进一步的，在卷积层通过权值、偏差以及体素特征进行计算之前，可以先从特征数组中查询目标非空体素以及与目标非空体素相邻的其它体素的体素特征。
具体的，可以先确定体素在根节点中的坐标，进而对该坐标进行哈希计算。
可选的，确定体素在根节点中的坐标，包括：将体素作为待确定节点，以待确定节点对应的父节点中的左下顶点为原点，建立父节点坐标系，并根据待确定节点在父节点坐标系中的坐标得到中间坐标；若父节点不是所述根节点，则将父节点作为新的待确定节点，并返回执行以待确定节点对应的父节点中的左下顶点为原点，建立父节点坐标系的步骤，直至父节点为根节点；对各中间坐标进行组合，得到体素在根节点中的坐标。
即，针对目标非空体素或与目标非空体素相邻的其它体素，可以将体素作为待确定节点，进而以其对应的父节点中的左下顶点为原点建立父节点坐标系，得到待确定节点在父节点坐标系中的坐标，即中间坐标。
示例性的，如图3所示，图3中编号为1的体素的中间坐标可以是（0,0,0），编号为2的体素的中间坐标可以是（0,0,1），编号为3的体素的中间坐标可以是（1,0,0）。
进一步的，如果该待确定节点对应的父节点不是根节点，那么可以将该父节点作为新的待确定节点，返回执行上述步骤，得到新的待确定节点在其对应的父节点中的坐标，以此类推，直至父节点为根节点。
进一步的，可以将所有中间坐标进行组合，如，将所有中间坐标在x方向上的取值合并，所有中间坐标在y方向上的取值合并，将所有中间坐标在z方向上的取值合并，由此得到体素在根节点中的坐标。
如图3所示，分割深度为2的体素的中间坐标为x2=1,y2=0,z2=0，其对应的父节点（即分割深度为1的体素）的中间坐标为x1=1,y1=0,z1=0，进而该体素在根节点中的坐标为x=11,y=00,z=00。其中，在组合各中间坐标时，可以按照先父后子的顺序依次组合各中间坐标。通过上述方式，实现了对体素在根节点中的坐标的准确确定，进而便于根据该坐标确定体素的深度以及体素的位置。
在得到体素在根节点中的坐标后，具体的，可以通过如下方式计算该坐标对应的哈希索引值：
，/>；
式中，为体素在根节点中的坐标，/>为对应的哈希索引值，mod为取模运算，p为小于预设哈希表长度m的最大素数。
进一步的，通过哈希索引值可以在预设哈希表中查询对应的编号，预设哈希表可以由不同索引值及其对应的编号组成，进而根据查询到的编号，可以在特征数组中查询到与该编号对应的体素特征。
示例性的，图7为本发明实施例提供的一种预设哈希表示意图，如图7所示，可以将体素在根节点中的坐标作为键，通过哈希函数计算得到索引，进而通过索引查找到对应的值，即编号，以便于通过编号从特征数组中找到对应的体素特征。
在上述实施方式中，通过建立哈希表以及通过坐标计算对应的索引值，实现了对体素特征的快速查找，减少了卷积层运算过程中索引的时间开销，提高了卷积效率。
在通过卷积模块中的卷积层对目标非空体素的体素特征进行卷积处理后，可以通过激活单元对卷积层输出的体素特征进行非线性映射，其中，激活单元可以采用ReLU激活函数，ReLU激活函数相对于Sigmoid函数和Tanh函数，能够防止梯度消失，并使网络具有较好的稀疏性。示例性的，可以参见如下公式：
f(x) = max(0,x)；
式中，x表示卷积层输出的体素特征。如图8所示，图8为本发明实施例提供的一种ReLU激活函数的示意图。
进一步的，可以通过卷积模块中的池化层，对激活单元输出的体素特征进行降采样处理，例如，从相应的采样窗口中提取一定的体素特征作为低维输出。该操作可以减小特征图的空间大小，以减少网络中的参数量和计算量，从而防止过拟合。
针对上述步骤14，可选的，通过卷积模块中的池化层对各目标非空体素的体素特征进行降采样处理，并根据池化层的输出更新目标非空体素的体素特征，包括：对于每一个目标非空体素，从目标非空体素的体素特征以及与目标非空体素相同父节点的其它体素的体素特征中，确定最大特征值，基于最大特征值确定目标非空体素对应的父节点的特征值；基于父节点的特征值更新父节点下的各体素的体素特征。
具体的，可以从相同父节点的8个体素中，选择出最大的体素特征，进而将该最大特征值映射至父节点，通过父节点的特征值更新父节点下的各体素的体素特征。通过该方式，可以减少特征图的空间大小，以减少网络中的参数量和计算量，从而防止过拟合。
在本发明实施例中，针对风阻系数预测模型的训练，可以预先采集样本数据，通过样本数据训练得到风阻系数预测模型。
在一种具体的实施方式中，本发明实施例提供的方法还包括如下步骤：
步骤21、构建稀疏卷积神经网络，其中，稀疏卷积神经网络包括至少一个卷积模块以及至少一个全连接层，卷积模块包括卷积层、与卷积层连接的激活单元和与激活单元连接的池化层；
步骤22、获取样本数据，其中，样本数据包括各样本车辆的车辆三维模型、以及对应的风洞测试数据和仿真分析数据；
步骤23、基于风洞测试数据和/或仿真分析数据确定各样本车辆对应的实际风阻系数，并确定各样本车辆的车辆三维模型在预设深度对应的各体素的体素特征；
步骤24、根据各样本车辆对应的各体素的体素特征以及实际风阻系数构建训练集，将训练集输入至稀疏卷积神经网络，基于稀疏卷积神经网络输出的预测风阻系数以及对应的实际风阻系数确定损失值，根据损失值反向调整卷积层对应的权值和偏差、全连接层对应的权值和偏差，直至满足训练截止条件，根据训练后的稀疏卷积神经网络确定风阻系数预测模型。
其中，风洞测试数据可以用于对仿真分析数据进行验证和校对，仿真分析数据可以用于对风洞测试数据进行扩充。风洞测试数据可以包括对样本车辆进行风洞测试得到的测试风阻系数，仿真分析数据可以包括对样本车辆进行仿真分析得到的仿真风阻系数。
具体的，在上述步骤23中，可以将风洞测试数据中的测试风阻系数作为实际风阻系数，也可以将仿真分析数据中的仿真风阻系数作为实际风阻系数，或者，还可以将测试风阻系数与仿真风阻系数的均值作为实际风阻系数。
进一步的，可以将样本车辆对应的实际风阻系数作为标签，将样本车辆的车辆三维数据作为样本值，从中选取部分样本车辆对应的标签和样本值构建训练集，进而通过训练集对搭建的稀疏卷积神经网络进行训练。
具体的，在对稀疏卷积神经网络进行训练的过程中，可以根据稀疏卷积神经网络输出的预测风阻系数以及对应的实际风阻系数，计算损失值，通过损失值使用反向传播算法获得可训练参数的误差梯度。
示例性的，损失值的计算可以采用欧几里得损失函数，如下式所示：
；
式中，为损失值，N为训练集中样本车辆的数量，/>为第i个样本车辆对应的实际风阻系数，/>为第i个样本车辆对应的预测风阻系数。
进一步的，在得到损失值后，可以使用随机梯度下降法（Stochastic GradientDescent，SGD）来更可训练参数，其中，可训练参数包括卷积层对应的权值（w c）和偏差（b c）、以及全连接层对应的权值（w f）和偏差（b f）。例如，可以通过如下公式更新可训练参数：
；
式中，为第j次的权值，/>为第j+1次的权值，/>为学习率。当然，偏差也可以参照上述公式进行更新。
进一步的，在完成对稀疏卷积神经网络的训练后，可以将其作为风阻系数预测模型。在本发明实施例中，还可以构建多个结构不完全相同的稀疏卷积神经网络，进而选择效果最优的作为风阻系数预测模型。
可选的，稀疏卷积神经网络的数量为多个，多个稀疏卷积神经网络中包括全连接层的数量相同且卷积层的数量依次递增的各稀疏卷积神经网络，多个稀疏卷积神经网络中还包括卷积层的数量相同且全连接层的数量依次递增的各稀疏卷积神经网络；
根据训练后的稀疏卷积神经网络确定风阻系数预测模型，包括：根据各样本车辆对应的各体素的体素特征以及实际风阻系数构建验证集，基于验证集确定每一个稀疏卷积神经网络的预测精度；将预测精度最高的稀疏卷积神经网络确定为风阻系数预测模型。
即，可以构建全连接层的数量相同且卷积层的数量依次递增的各稀疏卷积神经网络，并构建卷积层的数量相同且全连接层的数量依次递增的各稀疏卷积神经网络。
在对各个稀疏卷积神经网络进行训练后，可以通过验证集得到每一个稀疏卷积神经网络的预测精度。其中，预测精度可以由均方根误差（Root Mean Squared Error，RMSE）和平均相对误差（Mean Absolute Percentage Error，MAPE）表示。具体的，选择其中预测精度最高的稀疏卷积神经网络作为风阻系数预测模型。
示例性的，可以构建6个稀疏卷积神经网络，如表1所示，表1展示了多个稀疏卷积神经网络的结构。
表1多个稀疏卷积神经网络的结构
图9为本发明实施例提供的各稀疏卷积神经网络的平均相对误差分析图，如图9所示，六种结构的稀疏卷积神经网络的预测值与CFD仿真值之间的平均相对误差在2%以内，预测精度可以满足车型设计需求，结构4的误差最小，均方根误差及平均相对误差分别为0.00469、1.453%。
从图9可以看出，在全连接层的数量相同的情况下，随着卷积层的数量的增加，稀疏卷积神经网络的平均相对误差逐渐减小，由此可知，卷积层数量的增加可以提高模型的预测精度。并且，在全连接层数量为2的情况下，平均相对误差最小。
示例性的，图10为本发明实施例提供的一种预测值与仿真值的对比分析示意图，如图10所示，图10展示结构4的稀疏卷积神经网络的预测值（预测风阻系数）与CFD仿真值（仿真风阻系数）之间的对比，可以看出结构4的稀疏卷积神经网络的预测精度高。
在上述实施方式中，通过构建多个稀疏卷积神经网络，进而选择最优的稀疏卷积神经网络作为风阻系数预测模型，进一步提高了模型的预测精度。
本发明具有以下技术效果：通过获取目标车辆的车辆三维模型，将其放置于立方体包围盒内，并将立方体包围盒作为待划分立方体，对其进行八叉树分割，得到多个子立方体，进而判断当前分割深度是否达到预设深度，若否，则将包含车辆三维模型的几何表面的子立方体作为待划分立方体，更新当前分割深度，并返回执行对其进行八叉树分割的操作，直至当前分割深度达到预设深度，在预设深度对应的各子立方体中，将包含几何表面的子立方体确定为目标非空体素，根据包含的几何表面的平均法向量确定目标非空体素的体素特征，将不包含几何表面的子立方体确定为目标空体素，并根据零向量确定空体素的体素特征，以将目标车辆的外造型按照八叉树结构离散，并通过法向量对离散的复杂曲面进行简化，能够保留原始三维模型的细节，进而将其作为外造型特征输入至预先训练好的风阻系数预测模型中，利用风阻系数预测模型对八叉树形式的外造型进行特征提取，从而快速确定风阻系数，能够解决车辆风阻性能设计及验证周期长、成本高的问题，满足当代车辆外造型快速迭代的需求，并且可以更准确地评估造型差异化特征对风阻性能的影响，保证了风阻系数的准确性。
图11为本发明实施例提供的一种电子设备的结构示意图。如图11所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的车辆风阻系数确定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图11中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆风阻系数确定方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆风阻系数确定方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种车辆风阻系数确定方法，其特征在于，包括：
获取目标车辆的车辆三维模型，将所述车辆三维模型放置于立方体包围盒内，并将所述立方体包围盒作为待划分立方体，对所述待划分立方体进行八叉树分割，得到多个子立方体；
判断当前分割深度是否达到预设深度，若否，则将包含所述车辆三维模型的几何表面的子立方体作为待划分立方体，更新所述当前分割深度，并返回执行对所述待划分立方体进行八叉树分割的操作，直至所述当前分割深度达到预设深度；
在所述预设深度对应的各子立方体中，将包含所述几何表面的子立方体确定为目标非空体素，并根据包含的几何表面的平均法向量确定所述目标非空体素的体素特征，将不包含所述几何表面的子立方体确定为目标空体素，并根据零向量确定所述目标空体素的体素特征；
将各所述目标非空体素以及各所述目标空体素的体素特征输入至预先训练的风阻系数预测模型中，得到所述风阻系数预测模型输出的所述目标车辆的风阻系数。
2.根据权利要求1所述的方法，其特征在于，所述将各所述目标非空体素以及各所述目标空体素的体素特征输入至预先训练的风阻系数预测模型中，得到所述风阻系数预测模型输出的所述目标车辆的风阻系数，包括：
将各所述目标非空体素以及各所述目标空体素的体素特征输入至预先训练的风阻系数预测模型中，其中，所述风阻系数预测模型包括至少一个卷积模块以及至少一个全连接层，所述卷积模块包括卷积层、与卷积层连接的激活单元和与激活单元连接的池化层；
针对每一个所述卷积模块，通过所述卷积模块中的卷积层对各所述目标非空体素的体素特征进行卷积处理，并根据所述卷积层的输出更新所述目标非空体素的体素特征；
通过所述卷积模块中的激活单元对各所述目标非空体素的体素特征进行非线性映射，并根据所述激活单元的输出更新所述目标非空体素的体素特征；
通过所述卷积模块中的池化层对各所述目标非空体素的体素特征进行降采样处理，并根据所述池化层的输出更新所述目标非空体素的体素特征；
通过所述全连接层对各所述目标非空体素的体素特征进行处理，得到所述目标车辆的风阻系数。
3.根据权利要求2所述的方法，其特征在于，所述通过所述卷积模块中的卷积层对各所述目标非空体素的体素特征进行卷积处理，并根据所述卷积层的输出更新所述目标非空体素的体素特征，包括：
对于每一个所述目标非空体素，通过卷积层对应的权值和偏差、所述目标非空体素的体素特征、以及与所述目标非空体素相邻的其它体素的体素特征，确定所述卷积层的输出；
基于所述卷积层的输出更新所述目标非空体素的体素特征。
4.根据权利要求2所述的方法，其特征在于，所述通过所述卷积模块中的池化层对各所述目标非空体素的体素特征进行降采样处理，并根据所述池化层的输出更新所述目标非空体素的体素特征，包括：
对于每一个所述目标非空体素，从所述目标非空体素的体素特征以及与所述目标非空体素相同父节点的其它体素的体素特征中，确定最大特征值，基于所述最大特征值确定所述目标非空体素对应的父节点的特征值；
基于所述父节点的特征值更新所述父节点下的各体素的体素特征。
5.根据权利要求3所述的方法，其特征在于，在所述将各所述目标非空体素以及各所述目标空体素的体素特征输入至预先训练的风阻系数预测模型中之前，所述方法还包括：
根据各体素的编号顺序将各体素的体素特征存储在特征数组中，其中，所述编号顺序通过对各体素进行排列得到；
相应的，在所述通过卷积层对应的权值和偏差、所述目标非空体素的体素特征、以及与所述目标非空体素相邻的其它体素的体素特征，确定所述目标非空体素的体素特征之前，还包括：
针对所述目标非空体素或与所述目标非空体素相邻的其它体素，确定所述体素在根节点中的坐标，其中，根节点用于描述所述立方体包围盒；
对所述体素在根节点中的坐标进行哈希计算，得到所述体素对应的哈希索引值；
基于所述哈希索引值在预设哈希表中查询对应的编号，通过查询到的编号，在所述特征数组中查询所述体素的体素特征。
6.根据权利要求5所述的方法，其特征在于，所述确定所述体素在根节点中的坐标，包括：
将所述体素作为待确定节点，以所述待确定节点对应的父节点中的左下顶点为原点，建立父节点坐标系，并根据所述待确定节点在所述父节点坐标系中的坐标得到中间坐标；
若所述父节点不是所述根节点，则将所述父节点作为新的待确定节点，并返回执行以所述待确定节点对应的父节点中的左下顶点为原点，建立父节点坐标系的步骤，直至所述父节点为根节点；
对各所述中间坐标进行组合，得到所述体素在根节点中的坐标。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建稀疏卷积神经网络，其中，所述稀疏卷积神经网络包括至少一个卷积模块以及至少一个全连接层，所述卷积模块包括卷积层、与卷积层连接的激活单元和与激活单元连接的池化层；
获取样本数据，其中，所述样本数据包括各样本车辆的车辆三维模型、以及对应的风洞测试数据和仿真分析数据；
基于所述风洞测试数据和/或所述仿真分析数据确定各所述样本车辆对应的实际风阻系数，并确定各所述样本车辆的车辆三维模型在所述预设深度对应的各体素的体素特征；
根据各所述样本车辆对应的各体素的体素特征以及实际风阻系数构建训练集，将所述训练集输入至所述稀疏卷积神经网络，基于所述稀疏卷积神经网络输出的预测风阻系数以及对应的实际风阻系数确定损失值，根据所述损失值反向调整所述卷积层对应的权值和偏差、所述全连接层对应的权值和偏差，直至满足训练截止条件，根据训练后的稀疏卷积神经网络确定所述风阻系数预测模型。
8.根据权利要求7所述的方法，其特征在于，所述稀疏卷积神经网络的数量为多个，多个稀疏卷积神经网络中包括全连接层的数量相同且卷积层的数量依次递增的各稀疏卷积神经网络，多个稀疏卷积神经网络中还包括卷积层的数量相同且全连接层的数量依次递增的各稀疏卷积神经网络；
所述根据训练后的稀疏卷积神经网络确定所述风阻系数预测模型，包括：
根据各所述样本车辆对应的各体素的体素特征以及实际风阻系数构建验证集，基于所述验证集确定每一个所述稀疏卷积神经网络的预测精度；
将预测精度最高的稀疏卷积神经网络确定为所述风阻系数预测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述的车辆风阻系数确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述的车辆风阻系数确定方法的步骤。
CN202310904020.0A 2023-07-24 2023-07-24 车辆风阻系数确定方法、设备和介质 Active CN116628863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310904020.0A CN116628863B (zh) 2023-07-24 2023-07-24 车辆风阻系数确定方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310904020.0A CN116628863B (zh) 2023-07-24 2023-07-24 车辆风阻系数确定方法、设备和介质

Publications (2)

Publication Number Publication Date
CN116628863A true CN116628863A (zh) 2023-08-22
CN116628863B CN116628863B (zh) 2023-09-26

Family

ID=87642157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310904020.0A Active CN116628863B (zh) 2023-07-24 2023-07-24 车辆风阻系数确定方法、设备和介质

Country Status (1)

Country Link
CN (1) CN116628863B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160292902A1 (en) * 2015-04-03 2016-10-06 Disney Enterprises, Inc. Geometric multigrid on incomplete linear octrees for simulating deformable animated characters
US20160321381A1 (en) * 2015-04-29 2016-11-03 Energid Technologies Corporation System and method for evaluation of object autonomy
CN110458764A (zh) * 2019-07-08 2019-11-15 天津大学 一种基于形态学图形处理的点云数据平滑方法
CN110990958A (zh) * 2019-12-31 2020-04-10 吉林大学 一种方程式赛车的气动套件装置及其高效优化设计方法
CN115423854A (zh) * 2022-08-31 2022-12-02 哈尔滨岛田大鹏工业股份有限公司 一种基于多尺度特征提取的多视角点云配准及点云融合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160292902A1 (en) * 2015-04-03 2016-10-06 Disney Enterprises, Inc. Geometric multigrid on incomplete linear octrees for simulating deformable animated characters
US20160321381A1 (en) * 2015-04-29 2016-11-03 Energid Technologies Corporation System and method for evaluation of object autonomy
CN110458764A (zh) * 2019-07-08 2019-11-15 天津大学 一种基于形态学图形处理的点云数据平滑方法
CN110990958A (zh) * 2019-12-31 2020-04-10 吉林大学 一种方程式赛车的气动套件装置及其高效优化设计方法
CN115423854A (zh) * 2022-08-31 2022-12-02 哈尔滨岛田大鹏工业股份有限公司 一种基于多尺度特征提取的多视角点云配准及点云融合方法

Also Published As

Publication number Publication date
CN116628863B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN109685152B (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN113902926A (zh) 一种基于自注意力机制的通用图像目标检测方法和装置
Fabritius et al. Improving the quality of finite volume meshes through genetic optimisation
US20130346047A1 (en) Performance predicting apparatus, performance predicting method, and program
CN105844602A (zh) 一种基于体元的机载lidar点云三维滤波方法
CN117171873B (zh) 车辆空气动力学优化方法、装置和车辆
CN113177290B (zh) 基于深度代理模型归一化的卫星组件温度场预测方法
CN110954133A (zh) 核化距离模糊聚类正交分光成像位姿传感器标定方法
CN111158059A (zh) 基于三次b样条函数的重力反演方法
CN108022005A (zh) 一种高效的全离散最优传输方法
CN115393601A (zh) 一种基于点云数据的三维目标检测方法
CN112634174B (zh) 一种图像表示学习方法及系统
CN116628863B (zh) 车辆风阻系数确定方法、设备和介质
CN117910128A (zh) 基于深度算子网络的翼型设计方法及装置
CN117150951A (zh) 一种泵类设备三维流场计算加速方法
JP6855547B2 (ja) ２次元または３次元の幾何学的形状の集合のための形状記述子の集合を生成するための方法
CN117237643A (zh) 一种点云语义分割方法及系统
Amsallem et al. Real-time solution of computational problems using databases of parametric linear reduced-order models with arbitrary underlying meshes
CN116826734A (zh) 一种基于多输入模型的光伏发电功率预测方法及装置
CN114155354B (zh) 基于图卷积网络的电容层析成像重建方法与装置
CN114781207A (zh) 基于不确定性和半监督学习的热源布局温度场预测方法
CN114612572A (zh) 一种基于深度学习的激光雷达与相机外参标定方法及装置
CN114821033A (zh) 一种基于激光点云的三维信息增强的检测识别方法及装置
CN111210870B (zh) 蛋白质分类方法
CN118350292B (zh) 一种翼型流场预测网络训练方法、网络、预测方法及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant