ShapeNetCar_test_hf_datasets

该数据集是基于计算流体动力学（CFD）模拟生成的，包含物理学习相关的几何学习数据。数据集特征包括三角形元素的连接性、网格坐标和压力点数据。数据集分为训练集和测试集，共有500个训练样本和111个测试样本。数据以PLAID格式标准化，便于访问。

原始信息汇总

ShapeNetCar_test_hf_datasets 数据集概述

基本信息

• 许可证: CC-BY-4.0
• 所有者: NeuralOperator (https://zenodo.org/records/13993629)
• 存储后端: hf_datasets
• PLAID版本: 0.1.11.dev21+g94f13b9c8

任务类别与标签

• 任务类别: 图机器学习
• 标签: 物理学习、几何学习

数据特征

数据集包含以下特征字段：

• Base_2_3/Zone/Elements_TRI_3/ElementConnectivity (int64列表)
• Base_2_3/Zone/GridCoordinates/CoordinateX (float32列表)
• Base_2_3/Zone/GridCoordinates/CoordinateY (float32列表)
• Base_2_3/Zone/GridCoordinates/CoordinateZ (float32列表)
• Base_2_3/Zone/PointData/pressure (float32列表)

数据划分

• 训练集: 500个样本，114,714,000字节
• 测试集: 111个样本，25,466,508字节

存储信息

• 下载大小: 58,600,222字节
• 数据集总大小: 140,180,508字节

数据生产信息

• 物理领域: 计算流体动力学(CFD)
• 数据类型: 仿真数据
• 处理说明: 转换为PLAID格式以实现标准化访问，数据内容未作更改

数据加载

数据集采用PLAID格式存储，可通过Hugging Face datasets库加载，并使用PLAID桥接工具进行高效数据重构和特征提取。

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，ShapeNetCar_test_hf_datasets数据集通过高精度数值模拟方法构建，采用CFD技术对汽车外形进行三维流场分析。数据生成过程基于标准化PLAID格式转换，完整保留了原始仿真数据的拓扑结构与物理场分布，训练集包含500个样本，测试集包含111个样本，每个样本均包含网格连接关系和压力场等多维物理量数据。

特点

该数据集以非结构化网格形式存储三维汽车模型流场数据，特征空间涵盖节点坐标、单元连接关系和压力场分布等关键物理量。数据采用分层存储结构，通过CGNS标准实现多物理场数据的统一管理，其特有的时间序列特征支持瞬态流场分析，为几何学习与物理推理任务提供高保真度的数值实验环境。

使用方法

通过Plaid库与HuggingFace桥接工具可实现数据高效加载，用户需先加载问题定义文件以确定输入输出特征路径。数据重构过程中通过特征路径索引提取特定时刻的物理场数据，支持按时间步长访问多维流场特征，为深度学习模型提供标准化的流场数据接口。

背景与挑战

背景概述

在计算流体力学与几何学习交叉领域，ShapeNetCar_test_hf_datasets由NeuralOperator团队于2024年构建，基于CC-BY-4.0协议开放共享。该数据集通过计算流体动力学仿真技术，系统采集了汽车外形的三维网格坐标、压力场分布等物理属性数据，旨在推动物理信息神经网络在流场预测与几何建模中的基础研究。其标准化PLAID格式封装了611组带标注样本，为复杂几何形体下的流体动力学特性分析提供了结构化基准。

当前挑战

该数据集核心挑战在于高维流场数据的多尺度特征提取，需同步处理非结构化网格的几何拓扑关系与物理场非线性映射。构建过程中面临计算流体力学仿真收敛性控制难题，既要保证网格生成质量与边界层分辨率，又需平衡仿真精度与存储成本。此外，从原始CGNS格式到PLAID标准化转换时，需维持元素连通性与场变量的一致性，这对数据管线的鲁棒性提出了严格要求。

常用场景

经典使用场景

在计算流体力学与几何学习领域，ShapeNetCar_test_hf_datasets数据集常被用于三维网格模型的物理场仿真分析。该数据集通过结构化存储汽车外形的网格坐标、连接关系及压力分布数据，为研究人员提供了标准化的几何与物理属性耦合表征平台。其典型应用场景包括训练神经网络从几何输入预测流体动力学行为，例如在给定车身曲面拓扑时推断表面压力场变化，这显著推进了物理信息神经网络在复杂几何体上的泛化能力研究。

衍生相关工作

基于该数据集衍生的经典工作包括神经算子架构的改进与物理约束生成模型的发展。研究者利用其结构化网格数据提出了图神经网络与傅里叶神经算子的混合模型，实现了对非均匀流场的高精度预测。同时，该数据集催生了多个几何生成对抗网络的研究，通过解耦几何拓扑与物理场映射关系，推动了面向工程设计的可微分仿真技术革新，为物理引导的生成式人工智能奠定了重要基石。

数据集最近研究

最新研究方向

在计算流体力学与几何学习交叉领域，ShapeNetCar_test_hf_datasets凭借其结构化网格数据与物理场属性，正推动神经算子架构的革新。研究者聚焦于图神经网络与物理约束的结合，通过PLAID标准化框架实现高效流场重构，显著提升了非规则几何体的涡旋演化预测精度。这一进展直接关联数字孪生与自动驾驶仿真技术，为复杂工业场景中的实时流体模拟提供了可验证的基准。