BLASTNet 2.0

arXiv2023-10-28 更新2024-07-30 收录

下载链接：

https://blastnet.github.io

下载链接

链接失效反馈

官方服务：

资源简介：

BLASTNet 2.0是一个包含744个全领域样本的2.2TB数据集网络，源自34个高保真直接数值模拟，解决了当前3D高保真反应和非反应可压缩湍流流动模拟数据有限的问题。

BLASTNet 2.0 is a 2.2 TB dataset network containing 744 full-field samples, derived from 34 high-fidelity direct numerical simulations, addressing the current scarcity of 3D high-fidelity reactive and non-reactive compressible turbulent flow simulation data.

创建时间：

2023-09-24

搜集汇总

数据集介绍

构建方式

BLASTNet 2.0数据集的构建依托于高保真直接数值模拟技术，通过整合来自六个研究机构的34种不同湍流配置，生成了744个全域样本，总计2.2 TB数据。该数据集采用弱中心化社区驱动框架，将数据分割为小于100 GB的子集，利用Kaggle平台进行存储与分发，确保了数据的可访问性与成本效益。所有模拟数据均经过统一格式化处理，转换为小端单精度二进制文件，并辅以描述性元数据，以支持高效的机器学习模型训练。

特点

BLASTNet 2.0数据集的核心特点在于其多样性与高保真性，涵盖了可压缩湍流中反应与非反应流动的广泛物理场景。数据集包含速度、密度、压力、温度及化学物种等多达29个通道的变量，空间网格采用均匀或拉伸布局，分辨率精细至柯尔莫哥洛夫尺度。其2.2 TB的庞大规模与丰富的配置类型，为湍流建模、科学成像及三维超分辨率等任务提供了前所未有的数据资源。

使用方法

该数据集的使用方法灵活多样，用户可通过Kaggle API或直接下载链接获取数据，并利用提供的Python脚本与教程进行快速加载。数据以np.memmap兼容的二进制格式存储，支持高效的内存映射读取。研究人员可将其应用于三维超分辨率基准测试、湍流闭合模型开发、物理量预测及逆向问题求解等任务，同时数据集附带的预处理代码与模型权重便于复现与扩展相关研究。

背景与挑战

背景概述

在流体力学与湍流研究领域，高保真三维可压缩湍流数据的稀缺性长期制约着机器学习模型的开发与验证。BLASTNet 2.0数据集由斯坦福大学、桑迪亚国家实验室等六所机构的研究团队于2023年联合创建，旨在填补公开三维可压缩湍流反应与非反应流动数据的空白。该数据集汇集了来自34组直接数值模拟的744个全流域样本，总容量达2.2 TB，涵盖了从各向同性湍流到射流火焰等多种复杂流动构型。其核心研究问题聚焦于为湍流超分辨率、闭合模型构建等任务提供高质量基准数据，推动流体力学与科学机器学习的交叉融合，对推进能源、推进系统及环境工程领域的模拟技术具有深远影响。

当前挑战

BLASTNet 2.0致力于解决三维可压缩湍流超分辨率重建的领域挑战，即从低分辨率流场中恢复高保真湍流结构，以提升科学成像与模拟的精度。在构建过程中，研究团队面临多重技术难题：首先，高保真直接数值模拟数据通常因存储限制（如单样本达92 GB）而难以公开获取，且现有数据集多局限于二维、不可压缩或非反应流动，无法满足复杂工程应用需求。其次，数据整合涉及多源异构格式的统一转换与高效存储，需在保持数据多样性与保真度的同时，通过分区策略突破Kaggle平台100 GB的单数据集容量限制。此外，湍流固有的混沌特性使得匹配低分辨率模拟与高分辨率数据对极为困难，需采用Favre滤波等理论方法构建替代样本，确保数据对的物理一致性。

常用场景

经典使用场景

在湍流与燃烧物理领域，BLASTNet 2.0数据集为三维可压缩湍流反应与非反应流动的高保真直接数值模拟提供了大规模基准数据。其经典应用场景集中于湍流超分辨率重建，通过从低分辨率流场中恢复高分辨率细节，显著提升科学成像与模拟的精度。该数据集通过提供744个全流域样本，覆盖34种不同配置，为深度学习模型在复杂流动条件下的训练与验证奠定了坚实基础。

衍生相关工作

围绕BLASTNet 2.0数据集，已衍生出多项经典研究工作，特别是在湍流超分辨率与物理信息机器学习方向。例如，基于该数据对RRDB、EDSR、RCAN及卷积傅里叶神经算子等模型的系统基准测试，揭示了模型规模与性能之间的对数缩放规律。同时，梯度增强物理损失函数的引入，证明了物理约束在大型模型中仍能持续提升预测精度。这些工作为三维湍流模拟的深度学习应用提供了重要的架构设计与优化策略参考。

数据集最近研究