UniField: Joint Multi-Domain Training for Universal Surface Pressure Modeling

Resumo Técnico: UniField

Declaração do Problema

A modelagem precisa de campos de pressão de superfície é crítica para a análise e o design aerodinâmico em domínios como automóveis, trens e aeronaves. Embora a Dinâmica de Fluidos Computacional (CFD) de alta fidelidade seja o padrão, seu custo computacional limita a escalabilidade. O aprendizado profundo oferece uma alternativa mais rápida, mas as abordagens baseadas em dados existentes sofrem de duas limitações primárias:

1. Escassez de Dados: Dados de CFD de alta qualidade são caros para gerar, levando a conjuntos de dados pequenos em muitos subcampos.
2. Generalização Pobre: Os modelos atuais são tipicamente treinados em conjuntos de dados de escopo estreito (por exemplo, apenas carros ou apenas aeronaves) e falham em generalizar para novas geometrias ou diferentes regimes de escoamento.

Uma barreira fundamental para unificar esses domínios é o "silo" dos dados aerodinâmicos. Diferentes domínios operam sob pressupostos físicos e regimes de escoamento distintos (por exemplo, escoamento incompressível para veículos terrestres versus escoamento compressível para aeronaves) e utilizam diferentes escalas de velocidade características. Consequentemente, uma única rede historicamente teve dificuldade em aprender conjuntamente a partir de dados tão heterogêneos.

Metodologia

Os autores propõem o UniField, um framework unificado projetado para permitir o treinamento conjunto multi-domínio para modelagem universal de pressão de superfície. A arquitetura e a estratégia de dados são definidas da seguinte forma:

1. Arquitetura

O UniField emprega um design hierárquico do tipo UNet que opera diretamente em nuvens de pontos de superfície.

• Codificador de Geometria Agnóstico ao Domínio: O backbone central utiliza um mecanismo de atenção baseado em janelas (shift-window attention) para processar nuvens de pontos. Ao contrário dos métodos que serializam pontos via curvas de preenchimento de espaço, o UniField permuta pontos aleatoriamente para facilitar a interação geométrica global, o que é crucial para a modelagem de pressão.
• Camada de Normalização Adaptativa Condicionada ao Fluxo Paralelo (PFC-AdaLN): Para acomodar as distintas condições de escoamento de diferentes domínios (por exemplo, velocidade e vento lateral para trens; número de Mach e Ângulo de Ataque para aeronaves), o modelo injeta informações de escoamento específicas do domínio via módulos PFC-AdaLN. Esses módulos modulam as características geométricas usando vetores de condição de escoamento mapeados através de MLPs específicos do domínio, permitindo que o backbone compartilhado se adapte a regimes físicos específicos sem perder uma representação latente unificada.
• Módulo de Amostragem de Atenção: Um novo módulo lida com o up-sampling e down-sampling de características de pontos. Em vez de pooling geométrico fixo, ele utiliza atenção cruzada e unidades recorrentes de porta (GRU) para refinar iterativamente as características de amostragem, garantindo uma melhor integração de informações entre escalas.

2. Integração de Dados e ThingiCFD

Para superar a escassez de dados e as limitações geométricas, os autores integram conjuntos de dados especializados existentes e introduzem um novo conjunto de dados de larga escala:

• Conjuntos de Dados Integrados: O framework combina dados de automóveis (DrivAerNet++), trens e aeronaves.
• ThingiCFD: Um novo conjunto de dados de CFD de larga escala construído a partir do repositório Thingi10k (10.000 objetos diversos de impressão 3D). Para garantir a diversidade, os autores randomizam escalas geométricas (1–5m), velocidades de objetos (0–100 m/s), orientações (rotação aleatória de 360°) e condições de contorno (solo vs. suspenso). Este conjunto de dados expõe o modelo a cenários de escoamento de nível de objeto genérico, expandindo a distribuição de treinamento além de formas de engenharia canônicas.
• Padronização: Todos os conjuntos de dados são unificados utilizando o coeficiente de pressão ($C_p$) como alvo de predição, exceto para o DrivAerNet++, onde uma normalização específica é aplicada para consistência de benchmark.

Principais Contribuições

1. Framework UniField: Um modelo universal para análise de campos de fluidos que permite o treinamento conjunto multi-domínio através do acoplamento de um extrator de características geométricas agnóstico ao domínio com codificadores de condição de escoamento específicos do domínio.
2. Dataset ThingiCFD: A construção de um conjunto de dados de CFD de forma genérica e larga escala que expande significativamente a diversidade geométrica e de escoamento, suportando um treinamento multi-domínio robusto.
3. Validação do Treinamento Conjunto: Experimentos extensivos demonstrando que o treinamento conjunto multi-domínio melhora consistentemente a precisão da predição de pressão de superfície, particularmente em domínios com escassez de dados.

Resultados Experimentais

Os autores avaliaram o UniField através de três configurações experimentais primárias:

• Desempenho de Benchmark: No benchmark público DrivAerNet++, o UniField alcançou desempenho de Estado da Arte (SOTA), superando modelos existentes como RegDGCNN, Transolver e TripNet. Ele reduziu o Erro Quadrático Médio (MSE) em mais de 10% em comparação com o melhor modelo anterior (FigConvNet) e alcançou uma redução de 20% no Erro Absoluto Médio (MAE) em relação ao TripNet.
• Treinamento Conjunto vs. Único Domínio: Comparando o modelo treinado conjuntamente contra modelos treinados em conjuntos de dados únicos, revelou-se que o treinamento conjunto produz consistentemente resultados superiores. A melhoria foi mais pronunciada em domínios com escassez de dados:
  • Dataset de Trens: O treinamento conjunto reduziu o erro do conjunto de teste em mais de 50% em comparação com o treinamento de domínio único.
  • Datasets de Aeronaves: Reduções significativas de erro foram observadas tanto para AircraftWing quanto para FullAircraft.
  • DrivAerNet++: No grande conjunto de dados automotivos rico em dados, o treinamento conjunto mostrou melhorias marginais, sugerindo que o benefício é mais crítico onde os dados são limitados.
• Análise de Escassez de Dados: Estudos de ablação no dataset AircraftWing mostraram que, à medida que o volume de dados de treinamento diminuía (de 90% para 10%), a lacuna de desempenho entre os modelos treinados conjuntamente e os treinados em domínio único aumentava significativamente. Com apenas 10% dos dados, o modelo treinado conjuntamente alcançou um MSE um terço do modelo de domínio único, destacando a eficácia dos priors aerodinâmicos compartilhados em regimes de baixos dados.

Significância e Alegações

O artigo posiciona o UniField como um passo fundamental em direção aos modelos de fundação para análise aerodinâmica. Sua principal significância reside em demonstrar que um único modelo neural pode aprender com sucesso representações de escoamento compartilhadas entre domínios tradicionalmente separados (automóveis, trens, aeronaves e formas genéricas).

Os autores alegam que o UniField aborda efetivamente o problema do "silo de dados" na aerodinâmica. Ao alavancar o treinamento conjunto multi-domínio, o modelo não apenas atinge desempenho SOTA em benchmarks estabelecidos, mas também fornece um complemento viável e eficiente baseado em dados à CFD, particularmente para cenários onde os dados são escassos. O trabalho sugere que a integração de conjuntos de dados heterogêneos permite que os modelos aprendam representações de campo de superfície robustas e transferíveis que transcendem as limitações do aprendizado de domínio único. O trabalho futuro nota a extensão desta abordagem da predição de pressão de superfície para a modelagem de campo de fluxo completo.