fem-dataset-rheology

数据集名为dataset_rheoformer，包含与流变学（rheology）和非沉陷（nsinker）相关的数据。数据集分为训练集和测试集，每个集包含多个名为blob_i的文件夹，其中i代表包含的blob或沉陷物的数量。每个样本为一个Python字典，包含表面坐标、流速场、blob中心坐标、blob粘度对比值以及最大blob数量等信息。

原始信息汇总

数据集概述

基本信息

• 数据集名称: dataset_rheoformer
• 研究领域: 流变学（rheology）
• 相关技术: nsinker

文件结构

数据集采用分层目录结构：

• dataset/ 根目录
  • train/ 训练集
    • blob2/ 至 blob20/ 子目录（每个对应不同数量blob的模拟运行）
  • test/ 测试集
    • blob2/ 至 blob20/ 子目录（每个对应不同数量blob的模拟运行）

数据样本结构

每个样本存储为Python字典（data_out），包含以下字段：

表面网格数据

• surface_coords: (N, 2) 数组
  • 表面网格坐标
  • 形状: (点数, 2)

流场数据

• velocities: (N, 4) 数组
  • 流场速度存储为大小和单位向量
  • 列结构: [大小, dir_x, dir_y, dir_z]

blob特征数据

• blob_coords: (max_blobs, 3) 列表
  • blob中心坐标
  • 不足max_blobs时用(-1, -1, -1)填充
• blob_viscosity: 浮点数或(num_blobs,)数组
  • blob的粘度对比值
• blob_num: 整数
  • 最大blob数量（max_blobs = 50）

模拟特性

每个blob_i文件夹对应具有i个blob（或沉降物）的模拟运行，这些blob相对于周围沉降材料的粘度和密度存在对比。

搜集汇总

数据集介绍

构建方式

在流变学领域，该数据集通过数值模拟方法构建，针对不同数量（2至20个）的黏性团块在介质中沉降的物理过程进行系统化建模。每个模拟运行对应一个独立的blob_i文件夹，内部存储了表面网格坐标、流速场矢量数据以及团块的物理参数，数据以Python字典形式封装，确保了多维物理属性的完整记录。

特点

数据集的核心特点在于其高度结构化的多模态流变动力学数据，包含表面坐标网格、三维流速矢量场及团块物理参数（如黏度对比、密度差异）。所有样本均遵循统一维度规范，团块坐标采用填充机制处理可变数量问题，最大支持50个团块的扩展性设计，为复杂流变现象研究提供标准化数据基础。

使用方法

使用者可通过加载Python字典结构直接获取物理场数据，表面坐标与流速场数组适用于流变场可视化与特征提取，团块参数可用于多相流建模或机器学习任务。数据集已预划分为训练与测试集，支持端到端的模型训练与验证，特别适用于流变动力学预测或团块运动行为的深度学习应用场景。

背景与挑战

背景概述

流变学作为研究物质流动与变形行为的交叉学科，在材料科学与地球物理领域具有重要地位。fem-dataset-rheology数据集由专业计算流体力学团队构建，专注于多相流系统中粘性颗粒（sinkers）在基质材料中的沉降动力学研究。该数据集通过有限元数值模拟方法，系统性地捕捉了不同粘度对比和密度差异条件下颗粒群的运动轨迹与流场特征，为复杂流变行为的机器学习建模提供了高质量基准数据。

当前挑战

该数据集核心挑战在于解决多颗粒系统流变学响应预测的复杂性，包括非线性粘度耦合效应和颗粒间流体动力相互作用建模。构建过程中面临多物理场耦合仿真的计算强度挑战，需要协调表面网格精度与三维流场数据的统一表征。最大颗粒数量固定为50的设计要求处理可变长度序列的标准化问题，同时确保空缺坐标标记与有效数据的无损编码。

常用场景

经典使用场景

在流变学领域，该数据集被广泛应用于研究多相流体中粘性颗粒的沉降行为。通过模拟不同数量、粘度和密度的颗粒在基质中的运动轨迹与流场响应，为复杂流体动力学研究提供了高保真度的训练样本，特别适用于验证颗粒-流体相互作用的理论模型与数值模拟方法。

解决学术问题

该数据集有效解决了非均匀介质中多体动力学耦合机制的量化难题，为流变特性预测、颗粒迁移建模及本构关系推导提供了数据基础。其意义在于突破了传统实验测量的时空分辨率限制，使得研究人员能够系统探究粘度对比、颗粒数量与空间分布对宏观流变行为的影响规律。

衍生相关工作

基于该数据集衍生的经典工作包括RheoFormer等神经网络架构，其通过融合几何特征与物理场数据实现了流变特性的端到端预测。后续研究进一步拓展了基于图神经网络的多颗粒相互作用建模，以及生成对抗网络在流变数据增强中的应用，推动了数据驱动流变学的发展。