EuLaNet Dataset

该数据集由EuLaNet工具箱生成，将传统的欧拉CFD快照转换为耦合的欧拉-拉格朗日表示。它保留了完整的流场状态，同时通过速度场集成稀疏物质探针，产生有限时间轨迹和相关流映射，并计算变形梯度、柯西-格林张量、主拉伸和FTLE。关键特征是拉格朗日物质状态与欧拉场之间的显式同时刻对应，为每个快照建立位置关联，从而耦合瞬时流动物理、物质输运、变形和空间对应关系，为机器学习、强化学习和深度强化学习提供结构化的物理状态。This dataset is generated by the EuLaNet toolbox, which converts traditional Eulerian Computational Fluid Dynamics (CFD) snapshots into coupled Eulerian-Lagrangian representations. It retains the complete flow field states, while integrating sparse material probes via the velocity field to generate finite-time trajectories and associated flow maps, as well as calculating deformation gradients, Cauchy-Green tensors, principal stretches, and FTLE. The key feature is the explicit simultaneous correspondence between Lagrangian material states and Eulerian fields, which establishes positional correlations for each snapshot. This couples instantaneous flow physics, material transport, deformation, and spatial correspondences, providing structured physical states for machine learning, reinforcement learning, and deep reinforcement learning.

原始信息汇总

EuLaNet 数据集概述

EuLaNet 是一个将传统欧拉（Eulerian）CFD 快照转换为耦合欧拉-拉格朗日（Eulerian–Lagrangian）表示的数据工具箱，旨在为机器学习（ML）、强化学习（RL）和深度强化学习（DeepRL）应用提供更具结构性的物理状态表示。

核心技术

• 输入数据：接受 SU2 生成的 .vtu 格式 CFD 解（E(x,t)），OpenFOAM 兼容版本即将发布。
• 核心转换流程：
  1. 通过速度场关系式（dxp/dt = u(xp,t)）在欧拉流场中积分稀疏物质探针，生成有限时间轨迹和流映射（x(t)=Φt(x0)）。
  2. 计算变形梯度 F、柯西-格林张量 C、主拉伸 λ 和有限时间李雅普诺夫指数（FTLE）。
  3. 对每个时间快照，使用 KDTree 建立拉格朗日位置与欧拉坐标之间的同时刻对应关系。
• 最终表示：每个数据点同时包含瞬时流动物理特性、物质输运信息、变形特征和空间对应关系。
• 支持特性：支持移动网格和非定常仿真。

安装方式

bash git clone https://github.com/SiddDart/EuLaNet.git cd EuLaNet pip install -e .

安装验证命令：python -c "import eulanet; print(eulanet.__version__)"，预期输出为 0.1.0。

使用方法

通过命令行工具直接处理 .vtu 文件，无需 .npz 输入：

bash eulanet build --vtu-dir PATH_TO_VTU_FILES --pattern "flow_{index:05d}.vtu" --start 0 --stop 149 --dt 0.016849 --probe-grid 40x40 --window 25 --output eulanet_dataset.npz

Windows 系统下如命令不可用，可改用 python -m eulanet.cli build 形式。

主要参数

参数	说明
--vtu-dir	包含 SU2 .vtu 文件的目录
--pattern	快照文件的命名模式
--start / --stop	起始/结束快照索引
--dt	快照间时间步长
--probe-grid	拉格朗日探针网格密度
--window	用于物质演化的时间窗口
--output	输出 .npz 数据集路径

其他信息

• 描述 EuLaNet 方法论和开发的论文正在准备中。
• 当前为研究阶段状态，提供精简版管线（lean beta version）供大规模数据集训练使用。
• 联系邮箱：[e-mail] 或 [e-mail]。

搜集汇总

数据集介绍

构建方式

EuLaNet数据集源自计算流体力学（CFD）与机器学习（ML）的交叉领域，针对传统欧拉快照缺乏物质点轨迹信息的局限，创新性地构建了欧拉-拉格朗日耦合表示。其构建过程始于对SU2求解器输出的.vtu格式流场快照的精细处理，通过在场中稀疏布置物质探针，并沿速度场积分获得有限时间轨迹与流映射。在此基础上，利用逐快照的KDTree数据结构，建立拉格朗日物质坐标与欧拉场坐标间的显式同时性关联，进而计算变形梯度、柯西-格林张量及有限时间李雅普诺夫指数（FTLE），最终整合为自洽的时空数据结构，以.npz格式存储。

特点

EuLaNet数据集的核心特征在于其独特的双向耦合表示，既保留完整的瞬时流动物理量（欧拉视角），又蕴含物质点的有限时间演化轨迹及其变形信息（拉格朗日视角），并通过KDTree确保两视角间精确的同一时刻空间对应。这种设计打破了传统CFD数据单一表征的局限，为机器学习模型提供了物理一致性更强、信息更丰富的状态输入。数据集支持非定常及动网格模拟，且与具体模型无关，特别适用于强化学习与深度强化学习中涉及时间演化与流动控制的场景。其高度结构化的格式（.npz）便于直接加载，无需额外预处理，显著提升了数据利用效率。

使用方法

使用EuLaNet数据集极为便捷，其设计遵循即取即用原则。用户可通过命令行工具‘eulanet build’直接处理SU2生成的.vtu文件序列，指定快照目录、命名模式、时间步长、探针网格分辨率以及时间窗口等参数，即可一键生成包含完整欧拉-拉格朗日表示的.npz数据集文件。该过程无需额外输入，且生成的.npz文件可无缝接入主流机器学习或深度学习框架进行训练与验证。EuLaNet还提供Python API，便于在自定脚本中集成。文档同时预告了OpenFOAM兼容性及轻量版管道，为大规模训练任务提供可扩展方案。

背景与挑战

背景概述

EuLaNet数据集诞生于计算流体力学（CFD）与机器学习（ML）交叉融合的前沿领域，由美国麻省理工学院的研究人员于近年开发，旨在填补传统欧拉框架与拉格朗日质点追踪之间的表征鸿沟。该数据集通过将SU2求解器生成的欧拉快照与物质探针轨迹相结合，构建了包含速度场、变形梯度、柯西-格林张量及有限时间李雅普诺夫指数（FTLE）的耦合表征，从而为流动控制、涡旋识别及动态系统建模提供了更为结构化的物理状态输入。其核心创新在于同一时刻的欧拉-拉格朗日空间映射，借助KDTree实现质点位置与场变量的精准对应，这一设计显著提升了机器学习模型在非定常流动中的泛化能力与物理可解释性，对强化学习在流体控制领域的应用具有重要推动作用。

当前挑战

该数据集所面对的挑战首先源于计算流体力学本身的复杂性，即传统欧拉快照虽能完整刻画瞬时流场，却难以捕捉物质输运与历史演化中的非线性变形特征，导致现有ML模型在处理大变形、强涡旋等复杂流动时精度受限。在构建过程中，EuLaNet需解决多时间步质点在变形网格上的精确追踪问题，应对移动网格与非定常模拟带来的拓扑变化，同时保证欧拉-拉格朗日映射的实时一致性；为此研究者开发了基于KDTree的逐快照配对算法，并设计了参数化探针网格与时间窗口以平衡计算效率与物理完整性。此外，数据集的生成依赖高分辨率CFD模拟，其计算成本高昂，且对噪声敏感，如何在保持物理精度的同时压缩数据规模并加速流程，成为提升实用性的关键瓶颈。

常用场景

经典使用场景

EuLaNet数据集在流体力学与机器学习交叉领域开辟了崭新的数据表征范式。其核心应用场景在于将传统欧拉视角下的计算流体动力学快照，转化为融合拉格朗日物质探针轨迹的耦合表征，从而为深度学习模型提供兼具瞬时流场物理信息与物质输运历程的结构化输入。研究人员可借助该数据集训练代理模型，以精准预测非定常流动的演化规律，亦可用于强化学习框架下流场控制策略的优化，实现从高维流场状态到低维控制动作的端到端映射。

衍生相关工作

EuLaNet数据集的提出催生了多项衍生研究，包括但不限于基于图神经网络的拉格朗日轨迹预测、用于非定常流场重构的物理信息神经网络，以及面向流动控制任务的元强化学习框架。该数据集所建立的欧拉-拉格朗日耦合表征也被用于探索流场中拟序结构的自动识别，推动了从数据驱动角度揭示湍流相干结构演化机理的新方向，为流体力学与人工智能的深度融合奠定了重要基石。

数据集最近研究

最新研究方向

在计算流体力学与机器学习深度融合的前沿浪潮中，EuLaNet数据集的问世标志着流场表征方法的一次范式革新。该数据集创新性地将传统的欧拉CFD快照与拉格朗日物质探针轨迹耦合，构建了兼具瞬时流动物理、物质输运、形变梯度及有限时间李雅普诺夫指数（FTLE）的统一表征框架。这一设计不仅为机器学习与强化学习模型提供了富含时空演化信息的结构化物理状态，更在流动控制、动态系统建模及高维流场降维等热点研究方向展现出巨大潜力。尤其值得关注的是，其逐快照的KDTree空间对应机制，为处理移动网格与非定常流动提供了全新视角，有望推动数据驱动湍流模拟、实时流动预测及智能流动控制等领域的突破性进展。