MARC

 008260126s2024        us                              c    eng  d
■001000017358709
■00520260202104740
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290651910
■035    ▼a(MiAaPQ)AAI32149699
■035    ▼a(MiAaPQ)Stanfordnx392gr8211
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.222
■1001  ▼aBenjamin,  Mark.
■24510▼aDataset  Construction  and  Characterization  for  Learning  Automotive  Aerodynamics
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a121  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Iaccarino,  Gianluca.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThe  cost  of  numerical  simulations  for  automotive  aerodynamics  optimization  makes  data-driven  surrogates  an  appealing  alternative.  However,  there  is  a  data  insufficiency  problem  in  this  application  space.  Owing  to  the  proprietary  nature  of  commercial  automotive  designs,  training  datasets  for  drag  prediction  models  are  limited  to  a  few  freely-available,  realistic  geometries.  Additionally,  existing  datasets  suffer  from  a  lack  of  quantification  of  intrinsic  properties-such  as  diversity-that  correlate  with  predictive  performance  on  unseen  samples;  in  other  words,  there  is  a  dataset  characterization  problem.In  this  work,  a  database  construction  strategy  is  proposed  that  allows  for  the  controlled  generation  of  an  arbitrary  number  of  samples,  by  convex  interpolation  between  a  small  number  of  basis  geometries.  A  set  of  geometries  is  then  constructed  using  this  method,  using  the  DrivAer  automotive  reference  geometry  for  the  basis  cases.  Large-eddy  simulations  are  used  to  obtain  the  aerodynamic  quantities  of  interest  for  each  geometry.  Convolutional  neural  network-based  models  are  trained  with  this  dataset  to  make  aerodynamics  predictions.  The  proposed  method  allows  for  a  characterization  of  datasets  based  on  size,  density,  and  diversity.  A  formal  measure  of  diversity  for  a  given  dataset  is  developed.  Then,  datasets  of  successively  increasing  diversity  but  constant  size  are  constructed,  and  it  is  shown  that  the  dataset  diversity  has  an  impact  on  the  predictive  accuracy  of  the  neural  networks.  The  proposed  method  allows  for  more  rigorous  a  priori  evaluation  of  models  than  is  currently  possible  and  can  be  applied  readily  to  other  problems  of  shape  optimization.
■590    ▼aSchool  code:  0212.
■650  4▼aAutomobiles
■650  4▼aDesign  optimization
■650  4▼aMultidimensional  scaling
■650  4▼aIndustrial  research
■650  4▼aFluid  dynamics
■650  4▼aReynolds  number
■650  4▼aEnergy  consumption
■650  4▼aGeometry
■650  4▼aAerodynamics
■650  4▼aNeural  networks
■650  4▼aAeronomy
■650  4▼aMechanical  engineering
■653    ▼aAutomotive  aerodynamics
■653    ▼aDataset  construction
■690    ▼a0367
■690    ▼a0548
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358709▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books