UniFoil

UniFoil是一个基于雷诺平均纳维-斯托克斯（RANS）模拟的通用机翼数据集，包含了超过50万个样本，涵盖了广泛的雷诺数和马赫数，捕捉了从不可压缩到可压缩的过渡和完全湍流。它旨在支持流体动力学中的机器学习（ML）研究，特别是用于模拟复杂空气动力学现象。数据集包括超过4800个自然层流（NLF）机翼和30000个完全湍流（FT）机翼的全面几何形状，有效覆盖了航空航天、风能和海洋应用的相关机翼设计多样性。该数据集也高度适用于科学机器学习（SciML），使数据驱动模型能够更准确地捕捉层流-湍流过渡相关的输运过程。UniFoil在宽松的CC-BY-SA许可下免费提供。

UniFoil is a general airfoil dataset based on Reynolds-Averaged Navier-Stokes (RANS) simulations, containing over 500,000 samples that cover a wide range of Reynolds numbers and Mach numbers, capturing both incompressible-to-compressible flow transitions and fully developed turbulence. It is designed to support machine learning (ML) research in fluid dynamics, particularly for modeling complex aerodynamic phenomena. The dataset includes comprehensive geometric profiles of more than 4,800 natural laminar flow (NLF) airfoils and 30,000 fully turbulent (FT) airfoils, effectively covering the relevant airfoil design diversity for aerospace, wind energy, and marine applications. This dataset is also highly suitable for Scientific Machine Learning (SciML), enabling data-driven models to more accurately capture transport processes associated with laminar-turbulent transition. UniFoil is freely available under the CC-BY-SA license.

搜集汇总

数据集介绍

构建方式

UniFoil数据集的构建采用了先进的Reynolds-averaged Navier-Stokes (RANS)模拟技术，覆盖了从不可压缩到可压缩流态的广泛雷诺数和马赫数范围。通过结合Spalart-Allmaras (SA)湍流模型和基于eN的转捩预测方法，数据集精确捕捉了层流-湍流转捩和激波相互作用等复杂物理现象。数据生成过程采用了自动化网格生成工具pyHyp，确保了高质量的结构化网格，并通过ADflow求解器进行高效计算。

使用方法

UniFoil数据集的使用主要面向流体动力学和机器学习交叉领域的研究。用户可以通过哈佛Dataverse平台获取数据，数据集采用CGNS格式存储，兼容ParaView、PyVista等可视化工具。对于机器学习应用，建议先将O型网格数据重构为二维数组格式，以便于神经网络处理。数据集特别适合用于开发能够处理激波和转捩等非线性现象的物理感知机器学习模型，同时也为气动形状优化提供了丰富的训练样本。

背景与挑战

背景概述

UniFoil数据集由田纳西大学和伦斯勒理工学院的研究团队于2025年创建，是目前公开规模最大的翼型空气动力学仿真数据集。该数据集基于雷诺平均Navier-Stokes（RANS）模拟，包含超过50万组样本，覆盖从不可压缩到可压缩流态、层流-湍流转捩与完全湍流等多种流态，马赫数范围0.1-0.85，雷诺数跨度1-1000万。相较于现有仅关注完全湍流或不可压缩流动的局限数据集，UniFoil首次系统性地整合了激波相互作用和转捩物理等强非线性现象，为航空航天、风能等领域的机器学习研究提供了高保真基准。其采用的eN转捩预测方法与Spalart-Allmaras湍流模型耦合的仿真框架，显著提升了复杂气动现象建模的物理完备性。

当前挑战

在领域问题层面，UniFoil针对传统翼型数据集的三重局限：现有数据普遍忽视可压缩流动中的激波不连续性特征；缺乏对转捩过程中弱信号放大机制的捕捉；以及几何构型多样性不足。构建过程中面临的主要挑战包括：1) 跨流态仿真稳定性控制，特别是在激波与边界层相互作用区域需平衡数值耗散与分辨率；2) 转捩建模的数值敏感性，要求精确捕捉N因子临界阈值附近的参数突变；3) 超大规模计算资源协调，完成134,400CPU小时的计算需优化ADflow求解器的并行效率；4) 几何模态降维的质量控制，确保4,800个自然层流翼型与30,000个完全湍流翼型的参数空间覆盖完备性。

常用场景

经典使用场景

UniFoil数据集在流体动力学和空气动力学研究中具有广泛的应用，特别是在模拟和分析翼型在亚音速和跨音速流中的过渡和湍流行为。该数据集通过提供超过500,000个样本，覆盖了广泛的雷诺数和马赫数范围，为研究人员提供了一个全面的基准，用于验证和优化机器学习模型在复杂流体动力学问题中的表现。

解决学术问题

UniFoil数据集解决了现有数据集在模拟层流-湍流过渡和激波相互作用方面的不足。通过包含过渡敏感的湍流模型和激波解析数值方案，该数据集为研究非线性流体现象提供了丰富的数据支持，特别是在科学机器学习（SciML）领域，帮助开发更精确的数据驱动模型。

实际应用

在实际应用中，UniFoil数据集被广泛用于航空航天、风能和海洋工程等领域。例如，在飞机翼型设计和风力涡轮机优化中，该数据集提供了详细的流场数据，帮助工程师更好地理解和预测翼型在不同飞行条件下的性能表现。

数据集最近研究

最新研究方向

在流体动力学与机器学习交叉领域，UniFoil数据集正推动着多项前沿研究。其涵盖从不可压缩到可压缩流态的50万组翼型模拟数据，特别是首次大规模整合了层流-湍流转捩与激波相互作用这两大非线性物理现象，为科学机器学习（SciML）提供了关键验证平台。当前研究聚焦于三个方向：一是开发具有物理约束的图神经网络架构，以捕捉转捩过程中微弱的空间扩散信号与激波突变的尖锐梯度特征；二是构建跨流态泛化的隐空间代理模型，通过模态分解技术将34,800种翼型几何参数与多物理场数据关联；三是探索数据驱动的转捩模型替代传统线性稳定性理论，该方向因2024年NASA高升力体优化项目需求而成为热点。数据集采用的eN转捩预测方法与SA湍流模型耦合框架，已被证明在风力机翼型优化中可将转捩位置预测误差降低至3%以内，相关成果正被应用于下一代超临界翼型设计。

相关研究论文

• UniFoil: A Universal Dataset of Airfoils in Transitional and Turbulent Regimes for Subsonic and Transonic Flows

  田纳西大学诺克斯维尔分校机械与航空航天工程系 · 2025年