abelsr1710/navier-stokes-2d-fno

该数据集是二维Navier-Stokes方程（粘度ν=1e-3）的模拟数据，基于Fourier Neural Operator（FNO）基准，用于粘性不可压缩流体在单位环面上的涡度形式演化。数据集包含1200个样本，每个样本表示涡度场w(x, y, t)在周期性64×64网格上20个时间步的时空演化，数据形状为[1200, 64, 64, 20]（样本索引、x网格、y网格、时间）。数据集旨在用于神经算子和偏微分方程（PDE）代理模型的训练和评估，提供Parquet和PyTorch tensor两种格式，并建议用户自行分割为训练/验证/测试子集。典型用途包括使用前10个时间步作为输入预测后10个时间步，以支持时空预测任务。数据生成遵循原始FNO工作，采用随机初始条件和固定强迫项。Simulations of the 2D Navier-Stokes equation for a viscous, incompressible fluid in vorticity form on the unit torus, following the Fourier Neural Operator (FNO) benchmark of Li et al. (2021). Each sample is the time evolution of the vorticity field w(x, y, t) on a periodic 64×64 grid over 20 time steps. The dataset is intended for training and testing of neural operators and PDE surrogate models, with 1200 trajectories in a single pool; users are expected to split it into train/validation/test subsets. Typical usage involves predicting future steps from past steps, such as using the first 10 steps as input to predict the remaining 10 steps. Data is available in Parquet and original PyTorch tensor formats.

搜集汇总

数据集介绍

构建方式

该数据集基于傅里叶神经算子（FNO）基准测试中的经典设置生成，模拟了在单位环面上粘性不可压缩流体的二维纳维-斯托克斯方程（涡量形式）。通过引入粘性系数ν=1e-3、随机初始条件及固定外力项，采用数值求解器获取涡量场w(x,y,t)在周期边界条件下的时间演化轨迹。每个样本记录了在64×64均匀网格上跨越20个时间步的涡量场快照，最终构建包含1200条轨迹的数据集。

使用方法

使用时可直接通过datasets库加载Parquet格式数据，或从HuggingFace Hub下载原始.pt张量文件。典型应用场景为训练神经算子模型，例如取前10个时间步作为输入预测后10步。由于数据集被设计为训练与评估的单一轨迹池，建议自行划分，如将前1000条用于训练、后200条用于测试，具体分配可根据研究需求灵活调整。

背景与挑战

背景概述

Navier-Stokes方程是描述流体运动基本规律的核心偏微分方程，在气候模拟、航空工程与海洋科学中具有不可替代的地位。然而，传统数值求解方法受限于高昂的计算成本。为突破这一瓶颈，Li等人于2021年在Fourier Neural Operator（FNO）的开创性工作中构建了本数据集，旨在为神经算子与PDE代理模型提供标准化基准。该数据集由相应研究机构生成，包含1200条涡度场轨迹，在单位环面上以64×64网格分辨率记录20个时间步，粘度设定为1e-3，精准复现了FNO的验证配置。自发布以来，该数据集已成为科学机器学习领域评估时空预测模型性能的标杆资源，有力推动了物理信息网络与算子学习范式的演进。

当前挑战

本数据集旨在解决高维非线性流体动力学系统高效模拟的领域难题，具体挑战包括：在离散网格上精确逼近连续涡度场演化，克服传统CFD方法在参数化建模中计算耗时与内存瓶颈，以及实现从有限初始条件到未来状态的稳定长期预测。在构建过程中，挑战体现在随机初始条件与固定强迫项的协同生成需符合物理守恒律，20步轨迹需在ρ=1e-3粘度下维持数值稳定性，同时确保1200样本的时空一致性以避免模式过拟合。此外，原始无监督数据要求研究者自行设计有监督预测任务，进一步增添了模型泛化能力的评估复杂性。

常用场景

经典使用场景

该数据集基于傅里叶神经算子（FNO）的基准设定，模拟了单位环面上不可压缩粘性流体的二维纳维-斯托克斯方程在涡量形式下的时间演化过程。每个样本记录了在64×64周期性网格上20个时间步内的涡量场分布，共计1200条轨迹。经典使用场景聚焦于神经算子和偏微分方程代理模型的训练与评估，研究者常将前10个时间步作为输入，预测后续10个时间步的涡量场，以此检验模型对复杂流体动力学系统的时空外推能力。

解决学术问题

该数据集为解决高维非线性偏微分方程数值求解的长期挑战提供了标准化基准。在学术研究中，它常被用于验证神经算子模型在模拟湍流等复杂流体现象时的准确性和泛化性能，特别关注低粘度（ν=1e-3）条件下涡量场的动力学行为。通过此数据集，研究者得以量化神经网络对物理系统演化规律的捕获程度，探索以数据驱动方式替代传统数值求解器的可能性，从而推动科学机器学习领域中算子学习理论的发展。

实际应用

在实际应用中，该数据集支撑着工程与科学计算领域的诸多场景。例如，在气候模拟中，它可用于训练快速预测海洋环流或大气涡旋演化的代理模型；在航空航天领域，它有助于构建高效的翼型周围流场预估系统，以加速设计迭代。此外，基于该数据集训练的神经算子还能在石油工程中用于模拟多孔介质内的流体输运过程，或在能源领域辅助优化风力涡轮机布局中的尾流预测，从而实现计算成本的显著降低。

数据集最近研究

最新研究方向

该数据集聚焦于利用傅里叶神经算子（FNO）对二维不可压缩Navier-Stokes方程的涡量场进行高效代理建模，当前研究前沿集中在结合物理信息与数据驱动的算子学习范式，以突破传统数值求解器在湍流模拟中的计算瓶颈。近期热点之一是将该数据集与Transformer架构中的注意力机制相融合，探索空间-时间全连接下的PDE算子泛化能力，例如通过时空注意力网络捕捉涡旋结构的长期演化。其影响在于为高雷诺数流体动力学、气候系统模拟等复杂多尺度问题提供了标准化基准，推动了神经算子从稳态预测向非稳态、多物理场耦合场景的拓展，在科学机器学习领域确立了可复现的评估体系。