Djupinlärningsbaserad multifidelity-surrogatmodellering för att förutsäga fordons aerodynamisk prestanda
Forskningsprojekt, 2026
Detta projekt stöder Sveriges klimatmål genom att accelerera den aerodynamiska optimeringen av elfordon genom AI-drivna metoder. Det fokuserar på att utveckla en multi-fidelity djupinlärningssurrogatmodell som kombinerar låg- och högfidelitydata för att förutsäga aerodynamisk prestanda med nästan hög noggrannhet, men till betydligt lägre beräkningskostnad. Projektet tar itu med viktiga utmaningar i skalning till komplexa 3D-geometrier och träning med begränsad högkvalitativ data, med syftet att möjliggöra snabbare och effektivare designprocesser inom fordonsindustrin.
Deltagare
Simone Sebben (kontakt)
Chalmers, Mekanik och maritima vetenskaper, Fordonsteknik och autonoma system
Selpi Selpi
Chalmers, Data- och informationsteknik, Data Science och AI
Alexey Vdovin
Chalmers, Mekanik och maritima vetenskaper, Fordonsteknik och autonoma system
Finansiering
Chalmers styrkeområde Transport
Projekt-id: IKB 95418010
Finansierar Chalmers deltagande under 2026
Relaterade styrkeområden och infrastruktur
Hållbar utveckling
Drivkrafter
Transport
Styrkeområden
C3SE (-2020, Chalmers Centre for Computational Science and Engineering)
Infrastruktur