LagrangeBench

LagrangeBench是由慕尼黑工业大学流体力学与空气动力学系开发的一套基准测试套件，专注于Lagrangian粒子问题的时域粗粒化。该套件包含7个新的流体力学数据集，涵盖二维和三维的Taylor-Green涡旋、驱动的腔体流动、反Poiseuille流动和坝体破坏等，每个数据集都包含不同的物理现象，如固体壁面相互作用或自由表面。数据集通过平滑粒子流体动力学（SPH）方法生成，旨在为工程流体模拟提供多样化和经过充分研究的系统。此外，LagrangeBench还提供了一个基于JAX的高效API，支持多种最新的训练策略和三种邻域搜索例程，并实现了如GNS和SEGNN等已建立的图神经网络，用于性能评估。LagrangeBench is a benchmark suite developed by the Department of Fluid Mechanics and Aerodynamics at the Technical University of Munich, focusing on temporal coarse graining for Lagrangian particle problems. This suite includes 7 novel fluid dynamics datasets covering 2D and 3D Taylor-Green vortices, driven cavity flow, reverse Poiseuille flow, dam break, and more. Each dataset involves distinct physical phenomena such as solid-wall interactions or free surfaces. These datasets are generated via the Smoothed Particle Hydrodynamics (SPH) method, aiming to provide diverse and well-characterized systems for engineering fluid simulations. Furthermore, LagrangeBench also offers an efficient JAX-based API that supports multiple state-of-the-art training strategies and three neighborhood search routines, and implements established graph neural networks such as GNS and SEGNN for performance evaluation.

搜集汇总

数据集介绍

构建方式

在拉格朗日流体力学领域，LagrangeBench数据集的构建采用了平滑粒子流体动力学方法，通过求解弱可压缩Navier-Stokes方程生成七个流体力学数据集。这些数据集涵盖二维和三维空间中的泰勒-格林涡旋、反向泊肃叶流、盖驱动腔流以及溃坝流等经典流体场景。数据生成过程遵循严格的数值模拟准则，包括周期性边界条件处理、固体壁面相互作用建模以及自由表面动力学模拟，每个数据集均通过每100个数值模拟步长进行子采样，以实现时间粗粒化目标。

特点

该数据集的核心特点在于其多样化的物理场景覆盖与精心设计的基准任务。七个数据集分别呈现不同的流体动力学特性：泰勒-格林涡旋展示湍流起始过程，反向泊肃叶流包含空间变化的外力场，盖驱动腔流涉及静态与运动壁面边界，溃坝流则模拟自由表面演化。数据集采用HDF5格式存储，配备标准化元数据文件，总规模约8GB，在粒子数量（2500至8160个）与轨迹长度方面保持合理范围，既确保计算可行性，又涵盖足够的物理复杂性。

使用方法

数据集通过高效的JAX应用程序接口提供访问，支持多种训练策略与邻居搜索算法。用户可通过配置YAML文件快速设置机器学习训练流程，利用内置的图神经网络模型（如GNS、SEGNN）进行自回归粒子动力学预测。评估框架包含位置均方误差、Sinkhorn距离和动能误差等多维度指标，支持单步与多步展开验证。代码库提供完整的数据加载、预处理和模型训练示例，并可扩展至自定义拉格朗日系统。

背景与挑战

背景概述

在计算流体力学领域，拉格朗日粒子方法因其在处理自由表面和复杂物理现象方面的优势而备受青睐，然而基于机器学习的拉格朗日偏微分方程求解器仍处于探索阶段。LagrangeBench数据集由慕尼黑工业大学空气动力学与流体力学研究所于2023年创建，旨在填补拉格朗日流体力学基准测试的空白。该数据集通过光滑粒子流体动力学方法生成了涵盖泰勒-格林涡、反向泊肃叶流、盖驱动腔和溃坝等七种经典流体场景的二维与三维数据，专注于时间粗粒化建模这一核心研究问题。其创新性在于首次系统性地构建了拉格朗日粒子动力学基准测试套件，为图神经网络等机器学习模型在流体模拟领域的性能评估提供了标准化平台，显著推动了物理启发式机器学习与计算流体动力学的交叉融合。

当前挑战

LagrangeBench数据集致力于解决拉格朗日流体动力学中时间粗粒化建模的挑战，即如何通过机器学习模型直接预测相隔百个数值模拟步长的粒子运动状态，这要求模型具备捕捉长时程动力学的强大泛化能力。在数据集构建过程中，研究团队面临多重技术难题：首先，光滑粒子流体动力学模拟本身的计算复杂度较高，且需在保证物理精度的前提下控制粒子数量不超过一万以维持计算可行性；其次，为创建多样化物理场景，需精心设计涵盖周期性边界、固体壁面相互作用及自由表面等复杂条件的流体系统；再者，数据预处理中采用每百步采样的时间粗粒化策略，导致粒子位移可达平均间距的2.5倍，对基于局部邻域交互的图神经网络提出了扩展感受野的严峻考验；最后，边界条件的简化表示——仅保留最内层虚拟壁面粒子——可能削弱了等变模型对边界物理的建模能力，这构成了模型性能优化的潜在瓶颈。

常用场景

经典使用场景

在计算流体力学领域，LagrangeBench数据集为基于拉格朗日粒子离散化的机器学习模型提供了标准化评估平台。其经典使用场景集中于训练图神经网络等模型，以学习粒子系统的自回归动力学预测，特别是在时间粗粒度化任务中。该数据集通过包含泰勒-格林涡、反向泊肃叶流、盖驱动腔和溃坝等经典流体力学案例，为模型在复杂边界条件、自由表面及湍流演化等多样化物理场景中的性能评估奠定了坚实基础。

衍生相关工作

LagrangeBench的发布催生了一系列基于拉格朗日粒子方法的机器学习创新研究。其基准框架直接启发了对GNS、SEGNN等图神经网络架构在流体动力学中应用的深入探索，并促进了如Allegro等可扩展模型在大型粒子系统上的适配。该数据集还推动了物理信息机器学习与经典SPH方法的融合研究，为发展兼具高精度与强泛化能力的下一代科学计算模型提供了重要实验基础。

数据集最近研究

最新研究方向

在计算流体力学领域，LagrangeBench作为首个专注于拉格朗日粒子问题的基准测试套件，正推动机器学习与物理模拟的深度融合。其前沿研究聚焦于利用图神经网络（GNN）如GNS和SEGNN，对基于光滑粒子流体动力学（SPH）方法生成的二维与三维流体数据集进行时间粗粒度建模，以解决自由表面流动、复杂边界交互等传统欧拉方法难以处理的挑战。该数据集通过引入动力学能量误差和Sinkhorn距离等物理指标，为学习代理模型的性能评估提供了更严谨的量化标准，促进了拉格朗日机器学习求解器在工程流体模拟中的标准化发展，并为多相流、流体-结构相互作用等复杂场景的扩展奠定了基础。

相关研究论文

• LagrangeBench: A Lagrangian Fluid Mechanics Benchmarking Suite

  慕尼黑工业大学流体力学与空气动力学系 · 2023年