AhmedML

AhmedML数据集由亚马逊网络服务创建，包含500个高保真、尺度解析的计算流体动力学（CFD）模拟结果，针对Ahmed汽车车身的多种几何变体。数据集内容包括边界、体积、几何和时间平均的力/力矩，采用开放源代码格式。创建过程中使用了高保真、时间精确的混合雷诺平均Navier-Stokes（RANS）-大涡模拟（LES）湍流模型。该数据集主要用于开发和验证机器学习方法，特别是在计算流体动力学领域，旨在提高模拟的准确性和效率。

搜集汇总

数据集介绍

构建方式

AhmedML数据集的构建采用了高保真度、大尺度、时间精确的混合雷诺平均纳维尔-斯托克斯（RANS）-大涡模拟（LES）湍流模型方法，使用了开源计算流体力学（CFD）代码OpenFOAM。该数据集包含了500种几何变体的Ahmed车体的高保真度、尺度解析CFD模拟结果，这些结果展现了广泛的流动物理现象，如几何和压力引起的流动分离以及三维涡旋结构。每种变体的Ahmed车体都是使用OpenFOAM进行的高保真度、时间精确的混合RANS-LES湍流模型方法进行模拟的。数据集包含了边界、体积、几何和时间平均力/力矩等数据，并以广泛使用的开源格式提供。此外，还提供了OpenFOAM案例设置，以便其他人可以重现或扩展数据集。这是作者所知的首个开源大规模数据集，使用高保真度CFD方法，针对广泛使用的Ahmed车体，可以免费下载，并拥有宽松的许可协议（CC-BY-SA）。

使用方法

使用AhmedML数据集的方法包括：1. 使用OpenFOAM代码进行高保真度、时间精确的混合RANS-LES湍流模型方法进行模拟；2. 对模拟结果进行后处理，提取边界、体积、几何和时间平均力/力矩等数据；3. 使用开源格式存储数据，以便其他人可以方便地使用；4. 提供OpenFOAM案例设置，以便其他人可以重现或扩展数据集。

背景与挑战

背景概述

AhmedML数据集的创建旨在解决计算流体动力学（CFD）领域在机器学习（ML）方法开发中所面临的缺乏高质量训练数据的难题。该数据集由亚马逊网络服务（AWS）的高级计算与仿真组织的研究人员于2024年开发，并采用了高保真、尺度解析的CFD方法，以提供与实验数据最佳匹配的流体动力学模拟结果。AhmedML数据集包含了对500种几何变体的Ahmed车身进行的高保真、时间精确的混合雷诺平均纳维-斯托克斯（RANS）-大涡模拟（LES）湍流模型模拟结果。该数据集包含了边界、体积、几何形状以及时间平均力/力矩等数据，并以广泛使用的开源格式提供。此外，还提供了OpenFOAM案例设置，以便他人能够复制或扩展该数据集。AhmedML数据集的创建对于推动CFD领域ML方法的发展具有重要意义，并有望为相关研究提供宝贵的资源。

当前挑战

AhmedML数据集的创建和使用面临以下挑战：1)数据集解决的领域问题是开发高保真CFD模拟的ML方法，以提高预测精度和计算效率；2)构建过程中遇到的挑战包括数据的高保真度和规模解析，需要解决高精度模拟与计算资源消耗之间的权衡问题；3)数据集的开放性和可用性，需要确保数据集的易用性和可访问性，以便广大研究人员和开发者能够利用该数据集进行研究和开发；4)数据集的扩展和更新，需要不断改进数据集的质量和规模，以满足不断发展的研究需求。

常用场景

经典使用场景

AhmedML数据集主要被用于机器学习方法在计算流体动力学（CFD）中的应用研究。该数据集包含了500个几何变体的Ahmed车身的CFD模拟结果，这些模拟使用了高保真、时间准确的混合雷诺平均纳维-斯托克斯（RANS）-大涡模拟（LES）湍流模型方法。数据集包含了边界、体积、几何和时间平均力/力矩等广泛使用的开源格式数据。此外，OpenFOAM案例设置也被提供，以便其他人可以复制或扩展数据集。AhmedML数据集为研究低速钝体空气动力学提供了丰富的实验数据，有助于开发能够提供快速预测工具的机器学习方法。

解决学术问题

AhmedML数据集解决了计算流体动力学领域长期以来缺乏公开可用训练数据的问题。该数据集提供了高保真、尺度分辨的CFD模拟结果，这些模拟结果展示了广泛的根本流动物理，如几何和压力引起的流动分离以及3D涡旋结构。这对于开发机器学习模型以模拟和预测复杂的流动现象至关重要。此外，AhmedML数据集还解决了传统CFD方法在模拟钝体流动时的局限性，例如RANS模型在捕捉流动分离和涡旋结构方面的不足。通过使用高保真CFD方法，AhmedML数据集能够更准确地模拟这些复杂的流动现象，为机器学习方法在CFD中的应用提供了更可靠的基础。

实际应用

AhmedML数据集在汽车空气动力学、航空航天和流体力学等领域具有广泛的应用前景。例如，在汽车设计领域，该数据集可以用于开发能够快速预测不同几何形状车辆空气动力学的机器学习模型。这有助于汽车工程师在设计和优化车辆形状时，快速评估不同设计方案的空气动力学性能，从而提高车辆的性能和燃油效率。此外，在航空航天领域，AhmedML数据集可以用于开发能够模拟和预测飞机翼型周围流动的机器学习模型。这有助于航空航天工程师在设计飞机翼型时，更好地理解流动特性，从而提高飞机的性能和安全性。

数据集最近研究

最新研究方向

AhmedML数据集为计算流体动力学（CFD）领域的机器学习方法提供了高保真度、大规模的训练数据，这对于开发替代模型以实现快速预测工具至关重要。该数据集利用高保真度的尺度解析CFD方法，确保了与实验数据最佳的关联性和现实生活中的流动现实性。此外，AhmedML数据集还包括边界、体积、几何和时间平均力矩等数据，以及OpenFOAM案例设置，以便社区可以复制或扩展数据集。该数据集的发布有望推动机器学习在CFD领域的进一步发展，并为开发更高效、更准确的流体动力学预测模型提供支持。

相关研究论文

• AhmedML: High-Fidelity Computational Fluid Dynamics Dataset for Incompressible, Low-Speed Bluff Body Aerodynamics

  亚马逊网络服务 · 2024年