有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
FlowBench|流体模拟数据集|工程应用数据集
收藏arXiv2024-09-27 更新2024-09-28 收录
下载链接：
https://huggingface.co/datasets/BGLab/FlowBench/tree/main
下载链接
链接失效反馈资源简介：
FlowBench是由爱荷华州立大学创建的一个大规模流体模拟数据集，包含超过10,000个样本，旨在评估神经PDE求解器在复杂几何形状上的性能。数据集涵盖了多种复杂几何形状（参数化和非参数化）和流体条件（雷诺数和格拉晓夫数），捕捉了从稳态到瞬态的各种流体现象。每个样本都包含速度、压力和温度场的数据，以及升力、阻力和努塞尔数等工程特征。FlowBench的创建过程包括使用高保真模拟器进行直接数值模拟，确保数据的准确性和可靠性。该数据集主要应用于工程领域，如航空航天、汽车设计和生物流体学，旨在解决复杂几何形状上的流体动力学问题。
提供机构：
爱荷华州立大学
创建时间：
2024-09-27
AI搜集汇总
数据集介绍
构建方式
FlowBench数据集通过模拟复杂几何形状下的流体流动和热流现象构建而成。该数据集包括三种不同复杂度的几何形状，涵盖了从简单的椭圆到复杂的昆虫、动物和鸟类形状。每个几何形状在不同的雷诺数和格拉晓夫数条件下进行高保真流体模拟，生成超过10,000个样本。每个样本包含速度、压力和温度场的数据，以及相关的工程统计特征，如升力系数、阻力系数和努塞尔数。
特点
FlowBench数据集的主要特点在于其广泛的几何复杂性和多物理现象的模拟。数据集不仅包括传统的参数化几何形状，还引入了非参数化的复杂形状，如昆虫和鸟类。此外，FlowBench还涵盖了稳态和瞬态的流体行为，以及强制对流和自由对流等多种流体现象。这些特点使得FlowBench成为评估和开发神经偏微分方程求解器的重要资源。
使用方法
FlowBench数据集可用于训练和验证神经偏微分方程求解器，特别是在处理复杂几何形状和多物理现象时。用户可以通过提供的输入数据（如雷诺数、格拉晓夫数、几何掩码和符号距离场）来训练模型，并使用输出数据（如速度、压力和温度场）进行验证。数据集还提供了多种评估指标，如均方误差、L2相对误差和L∞相对误差，帮助用户全面评估模型的性能。此外，FlowBench还提供了基准测试流程和预训练模型，方便用户进行性能比较和进一步研究。
背景与挑战
背景概述
FlowBench数据集由爱荷华州立大学和新纽约大学的研究人员于2024年创建，旨在解决复杂几何形状上流体流动模拟的挑战。该数据集包含超过10,000个样本，涵盖了多种复杂几何形状和流动条件，包括稳态和瞬态流动现象，以及2D和3D模拟。FlowBench的创建填补了现有流体动力学数据集在复杂几何和多物理现象方面的空白，为科学机器学习（SciML）社区提供了宝贵的资源，以评估和开发新一代的神经偏微分方程（PDE）求解器。
当前挑战
FlowBench数据集面临的挑战主要集中在两个方面：一是解决复杂几何形状上流体流动模拟的领域问题，这需要高精度和高计算资源的数值模拟；二是数据集构建过程中遇到的挑战，包括生成多样化的几何形状和捕捉复杂的流动现象。此外，FlowBench还需要应对多物理现象的耦合问题，这涉及到不同类型偏微分方程的紧密耦合，计算复杂且资源密集。这些挑战共同构成了FlowBench在推动流体动力学和科学机器学习领域发展中的重要课题。
常用场景
经典使用场景
FlowBench 数据集的经典使用场景在于评估和优化神经偏微分方程（PDE）求解器在复杂几何形状上的流体模拟性能。该数据集提供了超过 10,000 个样本，涵盖了多种复杂几何形状和流体条件，包括稳态和瞬态流体现象。通过这些数据，研究人员可以训练和测试神经网络模型，以模拟和预测流体在复杂几何形状中的行为，从而在航空航天、汽车工程和生物流体等领域中实现更高效的流体动力学分析。
衍生相关工作
FlowBench 数据集的发布催生了一系列相关的经典工作，特别是在神经 PDE 求解器和科学机器学习领域。例如，研究人员利用 FlowBench 数据集开发了傅里叶神经算子（FNO）、卷积神经算子（CNO）和深度算子网络（DeepONets）等模型，这些模型在处理复杂几何形状上的流体模拟问题时表现出色。此外，FlowBench 还促进了多物理场耦合问题的研究，推动了流体动力学与热传输耦合模拟的发展。
数据集最近研究
最新研究方向
FlowBench数据集的最新研究方向主要集中在利用机器学习方法改进复杂几何形状下的流体动力学模拟。该数据集通过提供超过10,000个样本，涵盖了从稳态到瞬态、从强制对流到自由对流等多种流体现象，为神经偏微分方程（PDE）求解器的评估和优化提供了丰富的资源。研究者们正在探索如何利用这些数据来训练和验证基于深度学习的流体模拟模型，特别是在处理复杂几何形状和多物理场耦合问题时。此外，FlowBench还引入了多种评估指标，以全面衡量当前和未来神经PDE求解器的性能，从而推动科学机器学习在流体动力学领域的应用和发展。
相关研究论文
- 1FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries爱荷华州立大学 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
EcoInvent
EcoInvent是一个生命周期评估（LCA）数据库，包含了大量产品的环境影响数据。它提供了详细的产品生命周期数据，包括原材料提取、生产、使用和废弃处理等各个阶段的环境影响信息。
www.ecoinvent.org 收录
AIS数据集
该研究使用了多个公开的AIS数据集，这些数据集经过过滤、清理和统计分析。数据集涵盖了多种类型的船舶，并提供了关于船舶位置、速度和航向的关键信息。数据集包括来自19,185艘船舶的AIS消息，总计约6.4亿条记录。
github 收录
Other-Animals-10
该数据集包含103张图像，每张图像对应一个动物标签，标签类别包括熊、蜜蜂、甲虫等34种动物。数据集仅包含一个训练集，用于训练模型。
huggingface 收录
中国区域250米植被覆盖度数据集（2000-2024）
该数据集是中国区域2000至2024年月度植被覆盖度产品，空间分辨率250米，合成方式采用月最大值合成，每年12期，共299期。本产品采用基于归一化植被指数（NDVI）像元二分模型，根据土地利用类型确定纯植被像元值和纯裸土像元值，实现植被覆盖度计算。本产品去除湖泊、河流、冰川/永久积雪等区域。其中，NDVI数据来源于国家青藏高原科学数据中心中国区域250米归一化植被指数数据集（2000-2024）产品。通过时空变化趋势分析检验法分析，该数据集符合时间变化趋势和空间变化趋势。该数据集能够为全国区域生态质量评价、重要生态空间调查评估等工作提供数据参考。
国家青藏高原科学数据中心 收录