2D_SABW_SSOO

该数据集记录了二维圆柱形空气泡在水中受外部冲击波作用后的时间演化行为，导致气泡坍塌。研究场景采用南北壁对称边界条件。数据集包含300条轨迹，训练-测试分割比例为0.8-0.2，共101个时间步长，模拟结束时间为15微秒，保存间隔为0.15微秒。数据字段包括混合密度、水密度、空气密度、压力、速度X、速度Y和水的体积分数。模拟分辨率为2048x1024（经过裁剪和下采样），数据集分辨率为512x512和256x256，使用笛卡尔均匀网格。初始条件为气泡与周围预冲击环境处于平衡状态，边界条件为南北对称、东西开放。条件参数包括冲击马赫数（1.3-2.1）、气泡数量（1-5）、气泡半径（2mm-3.5mm）和气泡中心位置（域内随机）。该数据集适用于替代建模的关键挑战包括精确的界面捕捉、域内峰值压力、波动力学理解和气泡碎片跟踪。

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，研究冲击波与气泡的相互作用对于理解多相流动力学至关重要。本数据集通过高保真数值模拟构建，采用ALPACA求解器求解二维可压缩欧拉方程，模拟了水中二维圆柱形空气泡在外部冲击波作用下的坍塌过程。模拟在笛卡尔均匀网格上进行，原始分辨率为2048x1024，经过裁剪和下采样后生成了512x512与256x256两种分辨率的数据集。数据集包含300条轨迹，每条轨迹涵盖101个时间步，模拟总时长为15微秒，数据保存间隔为0.15微秒。初始条件设置为气泡与周围预冲击环境处于平衡状态，边界条件在南北方向采用对称处理，东西方向为开放边界。关键物理场包括混合密度、水密度、空气密度、压力、速度分量以及水的体积分数，为后续分析提供了全面的流场信息。

特点

该数据集的核心特征在于其系统性地参数化了冲击波与多气泡相互作用的复杂物理场景。通过引入冲击马赫数、气泡数量、气泡半径及气泡中心位置等多个条件参数，实现了对物理过程的精细化控制与广泛覆盖。冲击马赫数在1.3至2.1范围内变化，气泡数量为1到5个，半径介于2毫米至3.5毫米之间，中心位置在计算域内随机分布，这种设计极大地丰富了数据集的多样性与代表性。数据集提供了两种空间分辨率，兼顾了计算效率与细节保留的需求。其对称的边界条件设置简化了问题构型，便于聚焦于冲击波与气泡界面的核心动力学行为，例如界面捕捉、峰值压力、波动力学及气泡碎片追踪等关键挑战，为构建高精度代理模型奠定了坚实基础。

使用方法

该数据集主要服务于科学机器学习领域，旨在训练能够快速预测复杂多相可压缩流动的代理模型或神经网络。用户可通过Hugging Face Hub便捷地获取数据，使用`hf download`命令可下载完整数据集。若仅需特定分辨率的数据，例如256x256，则可利用`snapshot_download`函数并配合`allow_patterns`参数进行选择性下载。数据已按0.8:0.2的比例划分为训练集与测试集，便于直接用于模型的训练与验证。研究人员可基于该数据集开发模型，以高效模拟冲击波诱导的气泡坍塌过程，替代计算成本高昂的直接数值模拟，从而加速相关物理机理的研究与工程应用探索。

背景与挑战

背景概述

在计算流体力学领域，激波诱导气泡坍塌现象因其复杂的多相流与可压缩流耦合特性，一直是研究热点。2D_SABW_SSOO数据集由FluidVerse团队创建，专注于捕捉二维圆柱形空气泡在水中受外部激波作用后的动态演化过程。该数据集基于高精度求解器ALPACA模拟生成，涵盖了激波马赫数、气泡数量与尺寸等多参数条件，旨在为科学机器学习提供高质量基准数据，推动激波-气泡相互作用机理的深入探索与高保真代理模型的发展。

当前挑战

该数据集针对激波诱导气泡坍塌这一多相可压缩流问题，核心挑战在于精确捕捉气液界面演化、域内峰值压力预测以及破碎气泡碎片的追踪。构建过程中，高分辨率模拟带来的计算成本、多物理场耦合的数值稳定性以及从原始网格到数据集分辨率的下采样保真度，均是数据生成阶段面临的主要困难。这些挑战对发展稳健的代理模型提出了严格要求，需在保持物理一致性的同时有效压缩计算开销。

常用场景

经典使用场景

在计算流体动力学领域，2D_SABW_SSOO数据集为研究冲击波诱导气泡坍塌现象提供了高保真模拟数据。该数据集通过捕捉二维圆柱形空气泡在外部冲击波作用下的瞬态演化过程，成为构建物理信息神经网络或深度学习代理模型的基准资源。其经典应用场景包括训练神经网络以预测气泡界面动力学、压力峰值分布及波系相互作用，从而替代传统计算密集型CFD模拟，显著加速多相可压缩流动的数值分析。

衍生相关工作

基于该数据集衍生的经典工作主要集中在物理引导神经网络架构开发与多尺度建模方法创新。例如，研究者利用其构建了基于卷积LSTM的时空预测模型，实现了对气泡界面演化的高精度外推；另有工作结合生成对抗网络重构了冲击波作用下的相分布场。这些研究不仅推动了SciML在可压缩多相流中的范式演进，还为OpenFOAM等传统CFD软件提供了深度学习增强模块的开发基准。

数据集最近研究

最新研究方向

在计算流体力学领域，激波诱导气泡溃灭现象因其复杂的多相流与可压缩流耦合特性，一直是前沿研究的焦点。该数据集通过高保真数值模拟，精准捕捉了二维圆柱形气泡在外部激波作用下的动态演化过程，为基于科学机器学习的代理模型构建提供了关键基准。当前研究热点集中于利用深度神经网络，如物理信息神经网络或生成式模型，来高效预测界面演化、峰值压力分布及波系相互作用，以替代传统计算成本高昂的CFD模拟。这类工作不仅推动了多相可压缩流的高精度快速仿真，还对水下爆炸、医疗超声等工程与生物医学应用产生了深远影响，加速了复杂物理场景的数字化设计与分析进程。