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
中国交通事故深度调查（CIDAS）数据集
交通事故深度调查数据通过采用科学系统方法现场调查中国道路上实际发生交通事故相关的道路环境、道路交通行为、车辆损坏、人员损伤信息，以探究碰撞事故中车损和人伤机理。目前已积累深度调查事故10000余例，单个案例信息包含人、车 、路和环境多维信息组成的3000多个字段。该数据集可作为深入分析中国道路交通事故工况特征，探索事故预防和损伤防护措施的关键数据源，为制定汽车安全法规和标准、完善汽车测评试验规程、
北方大数据交易中心 收录
RadDet
RadDet是一个包含11种雷达类别的数据集，包括6种新的低概率干扰（LPI）多相码（P1, P2, P3, P4, Px, Zadoff-Chu）和一种新的宽带调频连续波（FMCW）。数据集覆盖500 MHz频段，包含40,000个雷达帧，分为训练集、验证集和测试集。数据集在两种不同的雷达环境中提供：稀疏数据集（RadDet-1T）和密集数据集（RadDet-9T）。
github 收录
中国区域教育数据库
该数据集包含了中国各区域的教育统计数据，涵盖了学校数量、学生人数、教师资源、教育经费等多个方面的信息。
www.moe.gov.cn 收录
HazyDet
HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
arXiv 收录
MedChain
MedChain是由香港城市大学、香港中文大学、深圳大学、阳明交通大学和台北荣民总医院联合创建的临床决策数据集，包含12,163个临床案例，涵盖19个医学专科和156个子类别。数据集通过五个关键阶段模拟临床工作流程，强调个性化、互动性和顺序性。数据来源于中国医疗网站“iiYi”，经过专业医生验证和去识别化处理，确保数据质量和患者隐私。MedChain旨在评估大型语言模型在真实临床场景中的诊断能力，解决现有基准在个性化医疗、互动咨询和顺序决策方面的不足。
arXiv 收录