1.背景知识
空气动力学阻力在塑造汽车和航空航天工业中车辆的性能和效率方面起着关键作用。传统上，空气动力学阻力的预测依赖于耗时且计算密集的模拟，这给快速设计迭代带来了挑战。然而，AI4Science的概念发展为数据挖掘和知识发现提供了一个全新的机会，即从大量模拟数据中挖掘和发现真实世界的物理场。汽车的空气动力学性能对于提高燃油经济性、降低风噪声、减少排放以及推动实现碳中和的目标至关重要。然而，传统的气动性能开发过程主要依赖工程师的经验进行模型更新和分析验证，这在处理单一部件设计验证时会导致大量重复性的模型处理工作，再加上计算时间，整体效率相对较低。同时，汽车设计厂商拥有大量的仿真实验数据，但往往在新设计方案中未能得到充分利用。
在具体的设计流程中，汽车CAS造型阶段，工程师需要在计算风阻风噪的过程中，通过查看CFD流体仿真的速度云图和压力云图寻找噪声源，主要针对气流分离点进行造型改进，从而有针对性地提出优化方案。在这种情况下，对流场信息以及风阻系数的快速预测能够加快汽车设计的迭代效率。因此风阻已经成为了汽车设计领域中的关键问题之一，特别是在全电动车的时代，风阻直接影响到车辆的行驶续航里程。进行风阻系数的快速预测方法研究，不仅可以在设计阶段就快速确定和筛选车辆造型，同时也能提升优化方案评估的效率，还能在一定程度上节约计算资源。
例如，考虑一个标准的空气动力学数据集，其中包含具有高达五百万雷诺数的三维车辆几何形状。传统的数值方法需要O(10^3)秒来计算车辆表面压力，这是计算空气动力学阻力的关键参数。相比之下，机器学习（ML）可以通过对模拟数据的训练，识别设计参数（例如，形状、表面特征）与空气动力学阻力之间的关系。一旦训练完成，ML模型可以在O(10^-1)秒内快速预测新设计的空气动力学阻力，显著减少计算资源需求。同时一个关键考虑因素是ML模型的泛化能力。通常，当面临车辆几何形状的变化时，训练好的ML模型可能在进行准确预测方面遇到困难。为了解决这一问题，我们提出了这个挑战，强调ML模型的泛化能力。而现有的大多数ML模型和竞赛通常忽视了在任意数据集上评估泛化能力的重要性。
赛题成果有望显著提高汽车设计效率，缩短新车型上市周期，为汽车行业带来经济和环境双重效益。同时，这一进步的影响不仅限于汽车和航空航天领域，还在空气动力学至关重要的行业中产生了共鸣。从风能应用到建筑设计和运动器材开发，快速准确预测空气动力学阻力具有变革性的潜力。
2.数据集介绍
本赛题的数据集分为两个部分，我们从两个部分的数据集中各随机取出500不同形状的汽车数据和合并为完整的训练集，随机各取出50额外的汽车数据作为验证集。
数据集1：
ShapeNet 是一个大型的3D CAD模型库，由斯坦福大学、普林斯顿大学和芝加哥丰田技术研究所的研究人员开发。这个数据集包含了超过300万个模型，其中22万个模型被分类到3135个类别中。其中3D ShapeNet Car 是 ShapeNet 数据集中一个专门的子集，它包含了 1256 辆不同类型汽车的 3D 模型，这些模型被用于各种计算机视觉和图形学研究任务，如 3D 对象重建、语义分割和点云生成等
我们基于3D ShapeNet Car生成了工业级稳态车辆空气动力学模拟。车辆速度固定在20m/s，估计的雷诺数为O(10^5~6)。每个数据样本包含车辆表面点坐标、表面压力、速度和阻力系数。为了降低复杂度，我们对数据集的几何形状进行了简化处理，包括去除侧面镜子，扰流板和轮胎。在此基础上，我们在高精度的空间网格中求解了Navier-Stokes方程的多个时间步骤，直到精确地获得了时间平均速度和压力场。数据解释如下表所示:

File	Variable	Definition	Shape
mesh_001.ply	mesh_nodes	Part of car surface geometry	N_node,3
mesh_001.ply	mesh_cells	Part of car surface geometry	N_cell,3
press_001.npy	pressure	Pressure in mesh cells	N_cell,1
train_pressure_min_ std.txt	pressure max min value	For pressure normalization	2,1
watertight_global_ bounds.txt	geometry boundary	Max and mix limitation of geometry	3,2

我们总共生成了550种不同形状的汽车数据。训练数据包含500种不同ShapeNet汽车的数据。测试数据从50种不同ShapeNet汽车数据和50种非ShapeNet汽车数据集的匿名汽车数据随机采样分入公榜和私榜。这50种匿名汽车的几何形状更加真实，参考了如奥迪和大众等道路汽车。此外，匿名汽车的速度将与提供的训练数据集略有不同。
数据集2：
百度公司和IAT公司基于真实的业务需求，共仿真生成了2700组不同车型在通过不同尺寸的隧道时的场景，并从其中随机采样了550种不同的汽车数据。训练数据包含500种不同类型汽车的几何形状以及对应的风阻系数。测试数据包含50种不同汽车数据。在模拟中，我们考虑了隧道入口、隧道出口、隧道两侧、隧道顶部、隧道道路和车身。速度入口设定为40公里/小时，出口设为压力出口。隧道的两侧和顶部设定为对称边界。道路和车身设定为无滑移墙，带有棱柱层边界网格，来保证Y plus数值合理，进而充分描述在壁面附近流动的湍流特性。
每辆车的阻力系数通过使用传统CFD模拟来计算。在网格准备阶段，所有车辆都被标准化为3.5米的长度，以确保定义的计算域适用于所有车辆。接下来，创建用于模拟的计算域，作为一个虚拟风洞来模拟车辆周围的气流，如a所示。这个虚拟隧道的高度、宽度和长度分别为8米、14米和54米。为了更准确地模拟车身周围的流动动态，计算域被细化为更小的网格尺寸，该尺寸在离车表面较远的地方变得粗糙，如b所示。这种网格策略适用于我们数据集中的所有车型（例如，轿车，运动型多用途车辆，农用车和皮卡车）。

Data	File	Definition
Mesh	.obj	Representation of automobile geometry
Drag Coefficient	.xlsx	The total drag coefficient of a vehicle including pressure drag force and wall-shear-stress darg force

综上，我们的测试集来自两个略有不同的数据集，选手可以选择采用两个不同的模型来解决这个问题。但是我们更鼓励选手采用一个模型来预测这两个数据集。如果选手采用我们鼓励的方案会有额外的科技报告加分。
数据下载链接为：

百度网盘链接：
Training：https://pan.baidu.com/s/1gsyjJvFtQha9JNKBdngGzw?pwd=pa22 提取码：pa22
Test：https://pan.baidu.com/s/1ilGKGikIo-F2TgWRk9-4hg?pwd=flvn 提取码：flvn

谷歌硬盘链接：
Training：https://drive.google.com/file/d/1Y0ejShdcx6YiaE3jJ0yxcOTKxirR-MAh/view?usp=sharing
Test: https://drive.google.com/file/d/17M0nVsBdeiZxMnFVhKMuq89APc9pbA91/view?usp=drive_link
Baseline链接为：https://github.com/wangguan1995/CIKM_CAR

1 原则上所有获奖作品需要开源，如有特殊情况需经终审评审专家集体决策同意可部分开源；

2 大赛最终解释权归开放原子开源基金会及共建方所有；

3 开放原子开源大赛监督联系人：张哲，邮箱：zhangzhe@openatom.org，电话：010-59258678转8010。