Emmi-Wing

Emmi-Wing是由Emmi AI GmbH与林茨大学联合构建的高精度三维翼型气动数据集，专注于跨音速流场的高保真模拟。该数据集包含约3万组独特几何构型与入流参数组合的CFD仿真数据，涵盖体积场与表面场物理量，支持升阻力系数计算与帕累托前沿优化。通过参数化设计生成多样化翼型配置，采用OpenFOAM求解器进行稳态可压缩流模拟，为航空航天领域的数据驱动设计提供关键基准，有效解决三维跨音速流动中激波与涡旋现象的建模挑战。

原始信息汇总

Emmi-Wing 数据集概述

数据集基本信息

• 许可证: CC-BY-NC-4.0
• 来源: NeurIPS 2025物理科学机器学习研讨会论文《Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes》

数据集内容

• 数据规模: 70个压缩案例文件（scans_reduced.zip）
• 评估模型: AB-UPT神经代理模型
• 完整数据集下载地址: https://data.emmi.ai/s/qTgKFQCRNnFTgXN

数据结构

每个案例目录结构（run_X）包含：

• PyTorch张量文件:
  • design_parameters.pt
  • surface_position.pt
  • surface_pressure.pt
  • surface_wall_shear_stress.pt
  • volume_position.pt
  • volume_pressure.pt
  • volume_velocity.pt
  • volume_vorticity.pt
• NumPy文件:
  • cell_areas.npy
  • cell_centers.npy
  • cell_normals.npy
• 网格文件:
  • wing.stl（翼面表面网格）

数据质量说明

• 质量控制: 使用最佳神经代理模型识别数值伪影
• 问题案例列表: erroneous_cases.npy文件包含潜在严重问题案例
• 使用说明: 训练过程中代理模型可平滑处理这些伪影，适合作为异常检测器

使用资源

• 代码示例: GitHub仓库提供数据加载和可视化脚本

引用信息

bibtex @inproceedings{ paischer2025going, title={Going with the Speed of Sound: Pushing Neural Surrogates into Transonic and Highly Turbulent Regimes}, author={Anonymous}, booktitle={Machine Learning and the Physical Sciences Workshop @ NeurIPS 2025}, year={2025}, url={https://openreview.net/forum?id=36Tpmdy1Cu} }

搜集汇总

数据集介绍

构建方式

在航空航天领域高精度气动模拟需求日益增长的背景下，Emmi-Wing数据集通过参数化设计方法构建了三维翼型在跨音速流场中的计算流体动力学仿真数据。该数据集基于NACA0012翼型剖面，通过均匀采样六个关键参数（翼展、锥度比、后掠角、根弦长、来流速度与攻角），生成了29,727组独特几何构型与流动条件的组合。采用开源求解器OpenFOAM进行稳态RANS模拟，运用Spalart-Allmaras湍流模型与棱柱边界层网格技术，确保了跨音速条件下激波-边界层相互作用等复杂物理现象的高保真度捕捉。

特点

该数据集显著特征在于首次系统性地整合了三维翼型的几何参数空间与跨音速流动条件，填补了现有二维翼型数据集对三维效应表征的空白。数据内容涵盖表面压力与壁面剪应力分布，以及包含速度场、涡量场在内的全三维体积流场数据。通过精心设计的训练集与三个测试集划分策略，特别强化了对分布外泛化能力的评估，为研究神经网络代理模型在真实飞行条件下的预测性能提供了完备基准。

使用方法

该数据集为气动优化与机器学习交叉研究提供了重要平台，用户可通过加载体积与表面流场数据计算升阻力系数，构建阻力-升力帕累托前沿。研究证实AB-UPT等先进神经网络架构在该数据集上展现出卓越的跨构型泛化能力，能够准确预测未见翼型的气动特性。数据集支持直接对接PyTorch等深度学习框架，其标准化数据格式与分层评估体系为开发实时气动设计探索工具奠定了坚实基础。

背景与挑战

背景概述

在航空航天计算流体力学领域，Emmi-Wing数据集由Emmi AI GmbH联合林茨约翰内斯开普勒大学机器学习研究所于2025年推出，填补了三维跨音速翼型流动数据的空白。该数据集基于高精度RANS模拟构建，包含约三万组独特几何构型与入流条件的样本，完整记录了表面压力分布与三维涡流场特征。其核心价值在于突破了传统二维翼型数据的局限性，首次系统捕捉了激波-边界层相互作用、翼尖涡等三维流动现象，为数据驱动的气动优化提供了关键支撑。

当前挑战

该数据集需应对跨音速流场的高度非线性与三维效应带来的双重挑战：在领域问题层面，传统神经网络代理模型难以准确预测激波位置与分离流动，而几何参数与入流条件的强耦合特性更增加了升阻比帕累托前沿的优化复杂度；在构建过程中，高精度网格生成需平衡边界层分辨率与计算成本，稳态模拟无法捕捉非定常涡脱落现象，且开源求解器在强激波工况下的数值稳定性成为数据质量的关键制约因素。

常用场景

经典使用场景

在跨音速气动优化领域，Emmi-Wing数据集通过提供约3万组三维机翼的几何参数与入流条件组合，成为构建神经代理模型的核心训练资源。该数据集精准捕捉了激波-边界层相互作用、翼尖涡等三维流动现象，使研究人员能够基于数据驱动方法高效预测升力系数与阻力系数的帕累托前沿，显著加速了传统依赖计算流体动力学仿真的设计流程。

解决学术问题

该数据集有效解决了航空航天领域长期存在的三维流动数据缺失问题，填补了现有二维翼型数据集无法模拟真实飞行中三维效应的学术空白。通过提供包含几何变形与流动参数的高保真仿真数据，它支撑了神经网络在跨音速工况下的外推泛化能力研究，并为可压缩流体非线性建模、多目标气动优化等前沿课题提供了标准化评估基准。

衍生相关工作

基于该数据集衍生的经典工作包括AB-UPT架构的泛化能力验证与Transolver等模型的跨域性能评估。这些研究不仅推动了锚定分支通用物理变换器在三维流场预测中的创新应用，还催生了针对数值仿真高频噪声的神经网络滤波方法，为后续融合物理约束的生成式设计、实时飞行器气动外形优化等研究方向奠定基础。