AutoHood3D: 16.000+ Hutschalen-Varianten für ML und FSI-Benchmark
Ein neues, hochauflösendes Multi‑Modal‑Datenset namens AutoHood3D wurde veröffentlicht. Es umfasst über 16.000 geometrische Varianten von Automobilhutschalen, die speziell für maschinelles Lernen, Engineering‑Design und Prozessoptimierung entwickelt wurden. Das Set adressiert ein praxisnahes Mehrphasenproblem: die Deformation von Hutschalen durch Flüssigkeitsverhärtung und inertielle Belastung bei der rotierenden Dip‑Farbgebung.
Jede Hutschale wurde mit einer gekoppelten Large‑Eddy‑Simulation (LES) und Finite‑Elemente‑Analyse (FEA) modelliert. Insgesamt wurden 1,2 Million Zellen verwendet, um räumliche und zeitliche Genauigkeit sicherzustellen. Das Datenset liefert zeitaufgelöste physikalische Felder, STL‑Meshes sowie strukturierte natürliche Sprach‑Prompts für Text‑zu‑Geometrie‑Synthese.
Im Vergleich zu bestehenden Datensätzen, die meist auf 2‑D‑Fälle beschränkt sind oder nur begrenzte geometrische Variation bieten, liefert AutoHood3D umfassende Multi‑Modal‑Annotationen und Datenstrukturen. Die Autoren validierten ihre numerische Methodik, stellten quantitative Baselines für fünf neuronale Architekturen auf und zeigten systematische Surrogatfehler bei Verschiebungs‑ und Kraftvorhersagen auf.
Die Ergebnisse motivieren die Entwicklung neuer Ansätze und multiphysikalischer Verlustfunktionen, die die Fluid‑Solid‑Kopplung während des Trainings erzwingen. Durch vollständig reproduzierbare Workflows fördert AutoHood3D die Entwicklung von physik‑bewusstem maschinellem Lernen, beschleunigt generative Design‑Iteration und schafft neue Benchmarks für Fluid‑Structure‑Interaction.
Die Daten und der Code sind im Anhang verfügbar und ermöglichen Forschern und Ingenieuren, sofort mit der Arbeit zu beginnen.