FlowBench

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。

FlowBench is a large-scale fluid simulation dataset created by Iowa State University, containing over 10,000 samples, designed to evaluate the performance of neural PDE solvers on complex geometries. The dataset encompasses a variety of complex geometries (parametric and non-parametric) and fluid conditions (Reynolds number and Grashof number), capturing diverse fluid phenomena ranging from steady-state to transient flows. Each sample includes data of velocity, pressure and temperature fields, as well as engineering features such as lift force, drag force and Nusselt number. The creation of FlowBench involved direct numerical simulations using high-fidelity simulators, ensuring the accuracy and reliability of the dataset. This dataset is mainly applied in engineering fields such as aerospace, automotive design and biofluid dynamics, aiming to solve fluid dynamics problems on complex geometries.

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

• FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries

  爱荷华州立大学 · 2024年