Rayleigh_Benard_convection

该数据集包含使用 `IncompressibleNavierStokes.jl` 框架进行的二维 Rayleigh-Bénard 对流数值模拟，专门用于长时间分析流动反转现象。模拟设置在一个方形盒子中，流体从底部加热，顶部冷却，遵循 Boussinesq 近似下的不可压缩 Navier-Stokes 方程。数据集以 HDF5 文件格式存储，每个文件包含不同 Prandtl (Pr) 和 Rayleigh (Ra) 数的模拟结果。数据文件包括速度场 (258x258x2)、温度偏差场 (258x258)、压力场 (256x256) 和无量纲模拟时间。适用于流体动力学、热对流研究和数值模拟验证等应用场景。

原始信息汇总

Rayleigh-Bénard Convection (2D) 数据集概述

数据集简介

该数据集包含使用 IncompressibleNavierStokes.jl 框架进行的二维瑞利-贝纳德对流数值模拟，专为长时间分析流动反转而设计。

物理与数值设置

模拟模型为一个方形腔体内的流体，底部加热，顶部冷却。

控制方程

系统由布西内斯克近似下的不可压缩纳维-斯托克斯方程控制：

• 质量守恒： $ abla cdot mathbf{u} = 0$
• 动量方程： $partial_t mathbf{u} + (mathbf{u} cdot abla)mathbf{u} = - abla p + Pr abla^2 mathbf{u} + Pr Ra heta hat{mathbf{y}}$
• 能量方程： $partial_t heta + (mathbf{u} cdot abla) heta = abla^2 heta$

数据格式

所有文件均位于 datasets/ 文件夹内，为压缩格式。每个压缩文件包含具有不同普朗特数（Pr）和瑞利数（Ra）的模拟，可从文件名 RB_Ra_Pr.zip 中识别。

压缩文件内部为 *.HDF5 格式文件，命名为 sol_{file_idx}_{time}.hdf5。文件内数据格式如下：

数据集名称	描述	形状
velocity	速度场 $mathbf{u} = (u, v)$	(258, 258, 2)
temp	温度偏差场 $ heta$	(258, 258)
pressure	运动学压力场 $p$	(256, 256)
time	无量纲模拟时间 $t$	标量

数据可视化

提供了一个瑞利数 Ra=1e8、普朗特数 Pr=5 的流动反转数据视频。

视频链接：https://huggingface.co/datasets/MohitAndSahu/Rayleigh_Benard_convection/resolve/main/videos/RB_1.0e8_5.0.mp4

许可信息

许可证：MIT

语言信息

语言：英语

搜集汇总

数据集介绍

构建方式

在流体力学领域，瑞利-贝纳德对流作为研究热对流现象的经典模型，其数据集的构建依托于高精度数值模拟技术。本数据集采用《IncompressibleNavierStokes.jl》框架，在二维方形腔体内模拟底部加热、顶部冷却的流体运动，严格遵循基于Boussinesq近似的不可压缩Navier-Stokes方程组。通过系统性地调整瑞利数（Ra）和普朗特数（Pr）等关键无量纲参数，生成了多组长时间序列的仿真数据，并以HDF5格式存储了速度场、温度偏差场、压力场及对应时间步，为深入探究流动反转等复杂动力学行为提供了结构化基础。

特点

该数据集的核心特点在于其专注于长时间尺度的流动反转分析，涵盖了从基础到较高瑞利数范围的多种工况，从而能够捕捉对流结构从稳态到混沌态的完整演变过程。数据以高空间分辨率（258×258网格）记录速度、温度与压力场，确保了流场细节的精确表征；同时，时间序列的连续保存使得瞬态动力学研究成为可能。此外，数据集通过标准化命名与压缩封装，实现了不同参数组合下仿真结果的高效组织与便捷访问，为对比研究与可重复性验证提供了有力支持。

使用方法

使用本数据集时，研究者可依据文件名中的Ra与Pr参数标识，选取特定工况的压缩包进行解压，进而读取内部的HDF5文件。每个文件包含对应时间步的完整物理场数据，用户可通过解析速度、温度、压力等数组，进行流场可视化、能谱分析或动力学特征提取。该数据集适用于开发数据驱动的湍流模型、训练机器学习算法以预测流动反转，或作为计算流体力学数值方法的验证基准。通过整合多参数案例，研究者能够系统探索瑞利-贝纳德对流中的稳定性、分岔及热输运等关键科学问题。

背景与挑战

背景概述

Rayleigh-Bénard对流作为流体力学中的经典模型，长期用于研究热对流过程中的非线性动力学行为。该数据集由研究人员利用IncompressibleNavierStokes.jl框架构建，专注于二维数值模拟，旨在深入探究高瑞利数条件下流动反转现象的长期演化规律。其创建基于布辛涅斯克近似下的不可压缩纳维-斯托克斯方程，通过系统性地改变普朗特数与瑞利数，为湍流与混沌动力学研究提供了高精度时空解析数据。该数据集的出现，显著促进了计算流体力学与物理信息神经网络等交叉领域的发展，成为验证数据驱动模型在复杂流体系统中预测能力的重要基准。

当前挑战

在流体动力学领域，准确预测高瑞利数对流中的流动反转行为，始终面临强非线性、多尺度相互作用及混沌特性带来的理论建模困难。该数据集针对这一核心问题，提供了涵盖不同参数组合的详细模拟数据，以支持对瞬态流动模式与能量传递机制的深入解析。在构建过程中，挑战主要源于长时间尺度数值模拟的稳定性保持，需克服高分辨率网格计算带来的巨大存储需求，同时确保温度场与速度场数据的时空一致性。此外，处理大规模HDF5格式数据时，高效的数据压缩与快速存取方案设计，亦是保障数据集实用性的关键环节。

常用场景

经典使用场景

在流体力学与热对流研究领域，Rayleigh-Bénard对流数据集为探究非线性动力学与湍流行为提供了关键基准。该数据集通过高分辨率二维数值模拟，捕捉了底部加热、顶部冷却的流体系统中温度与速度场的时空演化，尤其聚焦于长时间尺度下的流动反转现象。研究人员常利用此数据集验证理论模型、分析流动稳定性，并深入理解从层流到湍流的转变机制，为复杂流体系统的数值模拟与实验对比奠定基础。

解决学术问题

该数据集有效解决了热对流系统中多个经典学术问题，包括高瑞利数下湍流结构的形成机理、流动反转的统计特性以及普朗特数对对流模式的影响。通过提供精确的纳维-斯托克斯方程数值解，它支持了对Boussinesq近似下能量输运与动量传递的量化分析，促进了流体不稳定性和混沌动力学理论的发展，并为多尺度物理建模提供了可靠的验证数据，推动了计算流体力学与实验流体力学的交叉融合。

衍生相关工作

基于此数据集衍生的经典工作包括湍流统计模型的构建、机器学习辅助的流动预测以及高精度数值算法的开发。例如，研究者利用其长期模拟数据训练深度学习模型，以预测流动反转事件；同时，该数据集促进了谱方法与有限体积法在非稳态对流计算中的改进，并催生了多项关于热对流中相干结构与能量级联的统计分析研究，为流体力学与人工智能的交叉学科进展提供了丰富案例。