PLAID-datasets/Rotor37

该数据集名为3D RANS simulations of the rotor37，主要用于图机器学习任务，涉及物理学习和几何学习。数据集由Safran公司拥有，采用CC-BY-SA许可。数据是通过3D CFD RANS压缩机叶片的模拟生成的。数据集包含多个训练集和测试集，测试集包含1000到1122的样本，训练集则根据不同的样本数量分为train_8、train_16、train_32、train_64、train_125、train_250、train_500和train_1000。The dataset is named 3D RANS simulations of the rotor37 and is primarily used for graph machine learning tasks, involving physics learning and geometry learning. The dataset is owned by Safran and is licensed under CC-BY-SA. The data is generated through simulations of 3D CFD RANS compressor blades. The dataset includes multiple training and test sets, with the test set containing samples from 1000 to 1122, and the training sets divided into train_8, train_16, train_32, train_64, train_125, train_250, train_500, and train_1000 based on different sample sizes.

原始信息汇总

数据集概述

基本信息

• 许可证: CC-BY-SA 4.0
• 数据集大小: 1K < n < 10K
• 任务类别: 图机器学习 (graph-ml)
• 数据集名称: 3D CFD RANS compressor blade solutions
• 标签:
  • 物理学习
  • 几何学习

数据集配置

• 配置名称: default
  • 数据文件路径: data/all_samples-*

数据集描述

• 法律信息:
  • 所有者: Safran
  • 许可证: CC-BY-SA
• 数据生产:
  • 类型: 模拟
  • 物理模型: 3D CFD RANS compressor blade

数据集分割

• 测试集:
  • 样本编号: 1000 至 1199
• 训练集:
  • train_8: 样本编号: 154, 174, 383, 501, 524, 593, 711, 732
  • train_16: 样本编号: 76, 124, 130, 154, 157, 174, 383, 501, 524, 593, 711, 732, 798, 800, 959, 987
  • train_32: 样本编号: 3, 23, 76, 124, 130, 154, 157, 174, 190, 316, 324, 339, 383, 469, 501, 524, 556, 593, 606, 616, 662, 673, 711, 732, 757, 798, 800, 846, 909, 927, 959, 987
  • train_64: 样本编号: 3, 23, 34, 56, 71, 76, 124, 130, 145, 154, 157, 174, 187, 190, 201, 210, 223, 288, 316, 324, 335, 339, 376, 379, 383, 389, 414, 444, 469, 490, 501, 519, 524, 556, 557, 572, 575, 589, 593, 606, 616, 662, 673, 692, 711, 732, 741, 757, 760, 772, 781, 782, 798, 800, 806, 836, 846, 852, 896, 909, 927, 959, 985, 987
  • train_125: 样本编号: 3, 6, 16, 20, 23, 34, 56, 71, 76, 78, 83, 102, 105, 124, 130, 145, 152, 154, 157, 160, 173, 174, 180, 187, 190, 198, 201, 204, 210, 223, 224, 229, 233, 251, 278, 288, 289, 316, 317, 324, 335, 339, 371, 375, 376, 377, 379, 383, 389, 414, 426, 428, 431, 443, 444, 463, 469, 471, 490, 501, 513, 516, 519, 524, 525, 527, 530, 556, 557, 558, 572, 573, 575, 589, 593, 606, 612, 616, 624, 628, 638, 662, 673, 681, 692, 699, 711, 713, 715, 732, 741, 754, 757, 760, 763, 769, 772, 779, 781, 782, 783, 784, 798, 800, 806, 812, 834, 836, 843, 846, 852, 854, 866, 872, 877, 896, 909, 927, 931, 939, 956, 959, 985, 987, 996
  • train_250: 样本编号: 3, 6, 7, 16, 20, 21, 22, 23, 29, 33, 34, 39, 46, 56, 57, 71, 76, 77, 78, 81, 83, 95, 99, 101, 102, 105, 115, 117, 124, 130, 143, 145, 152, 154, 157, 159, 160, 167, 173, 174, 180, 182, 187, 190, 196, 198, 201, 203, 204, 210, 212, 217, 220, 223, 224, 229, 233, 246, 247, 250, 251, 252, 264, 268, 270, 278, 288, 289, 300, 312, 314, 316, 317, 319, 320, 324, 334, 335, 337, 339, 348, 356, 357, 359, 367, 369, 370, 371, 375, 376, 377, 379, 383, 389, 395, 396, 398, 400, 404, 405, 408, 413, 414, 415, 416, 420, 426, 428, 431, 435, 436, 441, 443, 444, 449, 452, 463, 468, 469, 471, 472, 479, 483, 490, 501, 512, 513, 516, 518, 519, 523, 524, 525, 526, 527, 528, 530, 532, 553, 556, 557, 558, 561, 567, 568, 570, 572, 573, 575, 589, 593, 595, 597, 601, 606, 612, 616, 621, 622, 624, 628, 629, 631, 638, 641, 643, 647, 648, 650, 652, 654, 657, 658, 662, 663, 667, 668, 670, 673, 677, 678, 681, 688, 690, 692, 693, 696, 699, 703, 704, 705, 706, 707, 711, 713, 715, 719, 721, 722, 724, 728, 729, 731, 732, 736, 741, 742, 745, 746, 747, 753, 754, 757, 760, 761, 763, 764, 765, 766, 767, 768, 769, 770, 771, 772, 773, 775, 778, 779, 780, 781, 782, 783, 784, 787, 789, 794, 795, 798, 800, 802, 804, 806, 808, 811, 812, 813, 815, 816, 818, 819, 823, 826, 827, 829, 832, 833, 834, 836, 842, 843, 846, 847, 849, 852, 853, 854, 855, 856, 857, 859, 861, 862, 863, 864, 866, 870, 871, 872, 873, 876, 877, 880, 882, 884, 887, 888, 891, 892, 893, 894, 896, 898, 900, 901, 902, 906, 909, 914, 920, 921, 922, 925, 927, 931, 936, 937, 938, 939, 942, 946, 950, 951, 952, 955, 956, 957, 959, 964, 965, 966, 969, 972, 975, 978, 980, 981, 982, 983, 985, 986, 987, 988, 989, 990, 993, 994, 995, 996, 999
  • train_500: 样本编号: 1, 2, 3, 6, 7, 9, 11, 14, 16, 18, 20, 21, 22, 23, 26, 29, 31, 32, 33, 34, 36, 37, 38, 39, 44, 46, 48, 51, 52, 54, 55, 56, 57, 58, 59, 61, 62, 66, 67, 71, 72, 73, 76, 77, 78, 80, 81, 82, 83, 86, 89, 92, 94, 95, 99, 101, 102, 105, 109, 111, 113, 115, 117, 118, 123, 124, 129, 130, 136, 140, 143, 144, 145, 152, 153, 154, 155, 157, 159, 160, 164, 167, 168, 173, 174, 176, 177, 180, 182, 187, 188, 190, 192, 193, 194, 196, 198, 199, 201, 202, 203, 204, 206, 207, 210, 211, 212, 213, 217, 219, 220, 221, 223, 224, 227, 228, 229, 233, 234, 237, 239, 240, 244, 245, 246, 247, 249, 250, 251, 252, 255, 263, 264, 266, 268, 269, 270, 271, 272, 277, 278, 284, 288, 289, 291, 293, 300, 302, 303, 312, 314, 316, 317, 319, 320, 323, 324, 329, 331, 332, 334, 335, 337, 339, 348, 351, 353, 356, 357, 359, 361, 363, 364, 366, 367, 369, 370, 371, 373, 375, 376, 377, 379, 380, 382, 383, 384, 387, 389, 390, 395, 396, 398, 400,

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，高保真数值模拟为复杂流动现象提供了关键洞察。PLAID-datasets/Rotor37数据集的构建依托于三维雷诺平均纳维-斯托克斯（RANS）仿真技术，针对压气机叶片Rotor37这一经典气动构型展开。通过系统的数值计算，生成了涵盖不同工况的流场数据，并以结构化方式存储，形成了规模在1K到10K之间的高质量仿真数据集。该过程严格遵循计算流体力学的最佳实践，确保了数据的物理一致性与数值可靠性。

特点

该数据集的核心特征在于其专注于图机器学习与物理几何学习的交叉领域，为数据驱动的流体力学研究提供了专门化的资源。数据以图结构形式组织，天然契合几何深度学习框架，能够有效表征叶片流场的空间拓扑与物理场分布。数据集提供了从8到1000样本量不等的多种训练划分，支持小样本学习到大规模训练的渐进式研究。同时，测试集独立划分，确保了模型评估的公正性与泛化能力检验的严谨性。

使用方法

研究人员可通过HuggingFace平台便捷加载此数据集，利用其预定义的数据分割方案进行模型训练与验证。该数据集适用于开发预测压气机叶片流场特性的图神经网络模型，或用于几何表示学习、物理信息嵌入等前沿算法研究。用户可根据具体任务需求，灵活选用不同规模的训练子集（如train_8, train_16等）以探究数据效率，并在独立的测试集上评估模型性能。其标准化的数据格式便于与主流深度学习框架集成，加速科研探索与工程应用。

背景与挑战

背景概述

在计算流体力学与几何学习交叉领域，PLAID-datasets/Rotor37数据集由法国赛峰集团（Safran）于近年构建，旨在推动基于物理的机器学习方法在复杂几何结构流场预测中的应用。该数据集聚焦于航空发动机压气机叶片Rotor37的三维雷诺平均Navier-Stokes（RANS）仿真，核心研究问题在于如何利用图机器学习技术，从高维仿真数据中学习几何与流场物理量之间的隐式映射关系，以替代传统耗时的CFD模拟流程。其出现显著促进了物理信息神经网络与几何表征学习在工程优化设计中的融合，为叶片气动性能的快速评估与形状优化提供了关键数据支撑。

当前挑战

该数据集致力于解决高维几何参数空间下叶片流场特性的高效预测难题，其核心挑战在于如何从有限的仿真样本中捕捉复杂几何变形与非线性流动物理场之间的关联，并保证模型在未见几何配置上的泛化能力。在构建过程中，挑战主要源于三维RANS仿真本身的高计算成本与数据生成复杂性，需在保证流场解精度与网格质量的前提下，高效采样涵盖设计空间的几何变体；同时，将非结构化的CFD网格数据转化为适用于图神经网络的规范化表征，亦涉及几何特征提取与拓扑结构保持的平衡。

常用场景

经典使用场景

在计算流体力学与几何学习领域，PLAID-datasets/Rotor37数据集作为三维RANS模拟的典型代表，其经典使用场景聚焦于压缩机叶片流场的精确预测与几何形态的关联建模。该数据集通过提供大量经过数值模拟的叶片几何与流场数据，为研究人员构建几何到物理场的映射关系奠定了坚实基础，尤其在探索复杂几何形状对湍流流动影响的研究中，成为验证机器学习模型性能的基准平台。

实际应用

在实际工程应用中，PLAID-datasets/Rotor37数据集直接服务于航空发动机压缩机叶片的设计与性能评估。工程师可借助该数据集训练的机器学习模型，快速预测不同几何变体下的气动性能，如压力分布与效率曲线，从而大幅缩短设计周期并降低试验成本。这一数据驱动方法为高性能叶轮机械的智能化设计提供了可靠工具，提升了产品研发的精度与效率。

衍生相关工作

围绕该数据集，已衍生出一系列经典研究工作，特别是在图神经网络与物理信息神经网络在流场预测中的应用。例如，基于该数据集的几何图表示学习方法，能够有效编码叶片网格的拓扑与特征，进而实现端到端的流场重构；同时，结合物理约束的深度学习框架，如PINNs，也在该数据集上验证了其在保持物理一致性方面的优势，推动了可解释AI在工程模拟中的发展。