pointnet_cfd

<p align="center"> <strong> <span style="font-size: 30px;">PointNetCFD Dataset</span> </strong> </p> ## 数据集介绍 PointNetCFD 数据集来源于论文 [《A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries》](https://arxiv.org/pdf/2010.09469)，该论文发表于 *Physics of Fluids*, 33(2): 027104, 2021。数据集面向**不规则几何区域上的 CFD 流场预测任务**，旨在研究基于点云的深度学习方法能否直接利用非结构网格节点的空间坐标，预测对应的速度场与压力场。 数据集基于**二维不可压缩层流稳态绕流问题**构建，通过改变柱体横截面的形状、朝向以及部分几何的长宽比。几何类型涵盖圆形、正六边形、正五边形、正方形、正三角形、矩形、椭圆及不同形状参数的三角形，为模型学习复杂几何与流场分布之间的映射关系提供了多样化样本。 ## 数据集支持的任务 | 场景 | 说明 | |---|---| | CFD 流场预测 | 根据非结构网格节点的二维坐标 (x, y)，逐点预测速度分量 (u, v) 和压力 p | | 不规则几何流场回归 | 利用点云直接表示不同横截面几何，在不进行规则网格插值的情况下预测完整流场 | | 几何泛化 | 研究模型由已见几何推广到未见几何构型时的 CFD 场预测能力 | ## 数据集的格式和结构 仓库提供的数据以 NumPy 二进制格式存储，其中 CFDdata.npy 的单个样本可以表示为 1024 × 5 的点云数据矩阵： `[x, y, p, u, v]`，同时提供训练集、验证集和测试集对应的索引文件。 | 文件模式 | shape | dtype | 说明 | | -------------------- | -------------: | ------- | ---------------------------------------------------------------------------------------------------------------------- | | `CFDdata.npy` | `[N, 1024, 5]` | `float` | CFD 主数据文件。`N` 为样本总数，每个样本包含 1024 个非结构网格节点，每个节点包含 5 个物理量，依次为 `[x, y, p, u, v]`，其中 `x、y` 为二维空间坐标，`p` 为压力，`u、v` 为两个方向的速度分量 | | `training_idx.npy` | `[N_train]` | `int` | 训练集样本索引，用于从 `CFDdata.npy` 中选取训练样本 | | `validation_idx.npy` | `[N_val]` | `int` | 验证集样本索引，用于从 `CFDdata.npy` 中选取验证样本 | | `test_idx.npy` | `[N_test]` | `int` | 测试集样本索引，用于从 `CFDdata.npy` 中选取测试样本 | ## 数据集使用方式 数据下载命令： ```bash modelscope download --dataset OneScience/pointnet_cfd --local_dir ./data ``` 本数据集适配 `OneScience/PointNetCFD` 模型，如需训练调试可下载模型仓库： ```bash modelscope download --model OneScience/PointNetCFD ``` ## OneScience 官方信息 | 平台 | OneScience 主仓库 | Skills 仓库 | |---|---|---| | Gitee | https://gitee.com/onescience-ai/onescience | https://gitee.com/onescience-ai/oneskills | | GitHub | https://github.com/onescience-ai/OneScience | https://github.com/onescience-ai/oneskills | ## 引用与许可证 - PointNetCFD 原始论文：[A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries](https://pubs.aip.org/aip/pof/article-abstract/33/2/027104/1065963/A-point-cloud-deep-learning-framework-for?redirectedFrom=fulltext) - 本仓库保留数据来源说明，公开分发或二次发布前，请根据上游项目确认许可证要求。