faNN

该数据集包含多个与流体动力学相关的特征，如网格坐标（CoordinateX, CoordinateY, CoordinateZ）、顶点解决方案（distance_function, omega, psta, ro, tke, vx, vy, vz）以及全局参数（eta_is, mass_flow_rate, pressure_ratio, rotation_speed, static_pressure_out等）。数据集分为训练集和测试集，训练集包含366个样本，测试集包含13个样本。数据以浮点数和双精度浮点数形式存储。数据集采用etalab-2.0许可证。

搜集汇总

数据集介绍

构建方式

在流体力学与叶轮机械工程领域，faNN数据集通过高保真计算流体动力学仿真构建而成。该数据集基于三维雷诺平均Navier-Stokes方程，针对压缩机转子流场进行数值模拟，生成了包含网格坐标、速度分量、湍流动能、压力及全局性能参数的结构化数据。数据采集过程覆盖多种工况，确保了流场物理特性的广泛代表性，为深度学习模型提供了高质量的监督学习样本。

特点

faNN数据集以其多维时空流场特征而著称，囊括了顶点解中的速度、压力、密度及湍流参量，并整合了质量流量、压比、转速等全局性能时序数据。每个样本均包含完整的空间网格点物理量分布，支持对复杂涡系结构与非定常流动现象的深入分析。数据集规模庞大，涵盖训练与测试分割，适用于数据驱动的流体力学建模与性能预测研究。

使用方法

该数据集适用于叶轮机械流场的深度学习应用，如流场重构、参数预测与物理信息神经网络训练。使用者可加载训练集进行模型训练，利用测试集评估泛化性能。数据以列表形式存储各物理量，便于直接输入神经网络；全局时序参数可用于动态性能分析。在工程实践中，该数据集能够支持压缩机设计与优化中的快速流场模拟与智能诊断。

背景与挑战

背景概述

faNN数据集由法国国家科学研究中心等机构的研究团队于2024年构建，专注于涡轮机械领域的计算流体动力学模拟。该数据集旨在解决三维旋转机械内部复杂流动的精确预测问题，通过集成雷诺平均纳维-斯托克斯方程的数值解，为深度学习模型提供高保真的训练数据。其核心研究问题在于如何利用数据驱动方法替代传统耗时的CFD仿真，以提升压缩机等关键设备的设计与优化效率，对推进航空航天与能源工程领域的智能化发展具有显著影响力。

当前挑战

faNN数据集面临的领域挑战在于准确建模旋转机械中高度非定常、多尺度的湍流现象，这类问题涉及复杂的物理耦合与边界条件，传统方法往往计算成本高昂且泛化能力有限。在构建过程中，研究人员需克服大规模三维网格数据的高效生成与存储难题，同时确保不同物理变量（如速度、压力、湍动能）的时空一致性，这要求精密的数值模拟流程与严格的数据质量控制策略。

常用场景

经典使用场景

在计算流体力学领域，faNN数据集为湍流模拟与叶轮机械性能分析提供了关键支撑。该数据集通过高保真的三维流场数据，包括速度、压力、湍流动能等物理量，为研究人员构建和验证基于深度学习的代理模型奠定了坚实基础。经典使用场景聚焦于替代传统的雷诺平均Navier-Stokes方程求解器，利用神经网络快速预测压缩机转子在不同工况下的内部流场与整体性能参数，从而显著降低计算成本，加速设计迭代过程。

解决学术问题

faNN数据集有效应对了计算流体力学中高维参数空间与复杂物理场耦合的建模挑战。它为解决代理模型在叶轮机械场景下的数据稀缺问题提供了标准化基准，促进了物理信息神经网络等先进方法的发展。该数据集的意义在于弥合了高精度仿真与实时预测之间的鸿沟，为研究湍流模型的可解释性、多物理场耦合的降阶建模以及不确定性量化等前沿学术问题提供了宝贵的实验平台，推动了流体力学与人工智能的交叉融合。

衍生相关工作

围绕faNN数据集，学术界衍生出一系列经典研究工作。这些工作主要集中在开发专用于流体动力学预测的图神经网络、时空卷积架构以及融合物理约束的深度学习框架。相关研究通过利用该数据集的高分辨率流场信息，成功实现了对复杂涡结构与分离流动的精确捕捉，并进一步探索了模型在非设计工况下的外推能力与泛化性。这些成果不仅验证了数据驱动方法在工程仿真中的潜力，也为后续构建更大规模的行业基准数据集树立了典范。