WindsorML

WindsorML数据集由亚马逊网络服务等机构创建，包含355个高保真计算流体动力学模拟的几何变体，旨在支持机器学习模型在汽车外流体动力学领域的应用。数据集大小超过2.8亿个单元，涵盖了广泛的流动特性，如压力和几何诱导的流动分离。创建过程中，采用了高保真壁模型大涡模拟方法，确保与实验数据的高度相关性。该数据集主要用于验证和测试ML模型在复杂3D几何上的性能，特别是在汽车工业中的应用。

搜集汇总

数据集介绍

构建方式

WindsorML数据集的构建基于355种不同几何变体的温莎车身，旨在帮助开发和应用机器学习模型进行汽车空气动力学的外部预测。每个计算流体动力学(CFD)模拟都采用了GPU原生的高保真壁面模式大涡模拟(WMLES)，使用超过2.8亿个网格单元，以确保最大的准确度。该数据集包含了具有广泛流动特征的几何变体，这些特征代表了在道路上观察到的汽车流动特征。数据集包含了3D时间平均体积和边界数据，以及几何形状和力与力矩系数。

特点

WindsorML数据集的特点是高保真度、大规模和开放性。数据集包含了355种不同几何变体的温莎车身，这些变体展示了广泛的流动特征，代表了在道路上观察到的汽车流动特征。数据集采用了高保真度壁面模式大涡模拟(WMLES)方法，并使用了超过2.8亿个网格单元，以确保最大的准确度。此外，数据集采用了开放源许可(CC-BY-SA)，允许用户免费下载和使用。

使用方法

WindsorML数据集的使用方法包括下载、分析和应用。用户可以通过Amazon S3服务免费下载数据集，并使用各种机器学习工具和软件进行分析和应用。数据集包含了3D时间平均体积和边界数据，以及几何形状和力与力矩系数，可用于训练和测试各种机器学习模型。数据集的开放源许可(CC-BY-SA)允许用户自由地使用和修改数据集，以便更好地满足他们的需求。

背景与挑战

背景概述

在机器学习与计算流体动力学（CFD）的交叉领域中，WindsorML数据集的创建标志着对汽车空气动力学研究的一次重要突破。该数据集由Neil Ashton等人于2024年开发，旨在为机器学习模型的开发和测试提供高保真CFD数据。WindsorML包含了355个Windsor车身几何变体，这些变体展现了广泛的流动特性，与实际道路车辆上的流动特性相类似。数据集采用GPU原生高保真Wall-Modeled Large-Eddy Simulations（WMLES）方法进行计算，使用超过2.8亿个单元格，以确保最高的准确性。数据集不仅包含了3D时间平均体积和边界数据，还包含了几何形状、力和力矩系数。WindsorML数据集的开源许可证（CC-BY-SA）使得其成为一个对汽车空气动力学领域具有重要影响力的资源。

当前挑战

尽管WindsorML数据集为汽车空气动力学的研究提供了宝贵的资源，但该数据集仍面临一些挑战。首先，数据集仅包含几何差异，没有边界条件的变化。扩展数据集以包括边界条件的变化，如来流速度，将有助于机器学习开发者利用该数据集进行更广泛的应用。其次，Windsor车身相较于真实车辆的复杂性有所欠缺。此外，数据集仅包括时间平均数据，而非时间序列数据。未来的工作可以扩展数据集以包括有限数量的瞬态输出，即每个时间步的体积/边界输出。这些挑战的解决将有助于进一步提高数据集的质量和实用性，推动机器学习在汽车空气动力学领域的应用。

常用场景

经典使用场景

WindsorML数据集作为高保真计算流体动力学（CFD）数据集，广泛应用于汽车空气动力学领域。该数据集包含355个Windsor车身的几何变体，旨在帮助开发和测试机器学习（ML）代理模型，用于外部汽车空气动力学。这些CFD模拟采用GPU原生的高保真壁面模式大涡模拟（WMLES）进行，并使用超过2.8亿个单元，以确保最大可能的精度。该数据集包含具有广泛流动特征的几何变体，这些流动特征代表了在道路上观察到的汽车流动特征。数据集包含3D时间平均体积和边界数据，以及几何形状和力矩系数。

实际应用

WindsorML数据集在实际应用中具有广泛的应用场景。该数据集可用于汽车设计中的空气动力学性能预测，帮助工程师快速评估不同几何形状对汽车空气动力学的影响。此外，WindsorML数据集还可用于开发和测试机器学习代理模型，以预测汽车空气动力学性能，为汽车设计提供数据驱动的方法。

衍生相关工作

WindsorML数据集衍生了多项相关工作。AhmedML数据集是WindsorML数据集的姊妹数据集，包含了500个Ahmed车身几何变体的不同几何变体。DrivAerML数据集是基于开源Drivaer的，用于汽车外部空气动力学的高保真CFD数据集。这些数据集共同为机器学习开发者提供了一个广泛的数据集，以开发和使用数据驱动的方法来预测汽车空气动力学性能。