thuerey-group/CRMpert

--- license: cc-by-sa-4.0 --- # CRMpert Dataset This dataset contains flow fields around wings perturbed from the Common Research Model. It contains 288 shapes and 2145 flow fields, acting as a **task-specific** dataset to fine-tune a pre-trained model for a more precise local surrogate model. ## Perturbation The wing geometry is controlled at seven spanwise sections. At each control section, the sectional airfoil is parameterized using 20 CST coefficients, each perturbed within $\pm 40\%$ of the corresponding CRM coefficient. Dihedral offsets at the control sections are perturbed within $\pm 0.05 \cdot c_{\mathrm{root}}$, and twist angles are sampled uniformly from $-3^\circ$ to $0^\circ$. The spanwise distributions of these parameters are then constructed via interpolation between the control sections. <img src="https://cdn-uploads.huggingface.co/production/uploads/6878e482bd4380c813fd99de/yvjfmmIm8oEfXKwV8U6Cd.png" alt="sections" width="40%"> ## Data format 1. Geometric parameters `samples.parquet` includes the perturbed values of the wings. |indexs|type|variables|comments| |-|-|-|-| |0|wing shape index (corresponding to in `geom0.npy`)| |1|operating condition index (count in each wing shape) | |2-3|operating condtions | angle of attack (in degrees), mach number| |4-5| reference values | reference area (to calculate coefficient), half span length| |6-8| coefficient from the solver| lift, drag, pitching moment (acc. LE)| |9-11|coefficient by recalculating from the surface flow (there are ones used for ML models)| lift, drag, pitching moment (acc. LE) | |12-81| upper surface CSTs | 7 x sections, 10 x coefficients under each section | |82-151| lower surface CSTs | 7 x sections, 10 x coefficients under each section | |152-157| twists angles | sections 1-6 | |158-164| dihedrals | 7 x sections | 2. Index file (`index.npy`), Reference surface mesh and surface physical quantities on this reference mesh (`geom0.npy`, `data.npy`). Please refer to the [SuperWing dataset](https://huggingface.co/datasets/yunplus/SuperWing)

搜集汇总

数据集介绍

构建方式

CRMpert数据集基于通用研究模型（Common Research Model）生成，专注于翼型周围流场的精细化建模。构建过程中，通过七个展向控制截面对机翼几何形状进行调控，每个截面的翼型采用20个CST系数参数化，各系数在原始CRM系数基础上扰动±40%。同时，控制截面的上反角在±0.05倍根弦长范围内扰动，扭转角在-3°至0°之间均匀采样。最终，通过插值方法建立参数沿展向的连续分布，生成了288种机翼形状与2145个流场数据，形成针对特定任务的微调数据集。

特点

该数据集的核心特点在于其任务专用性与高精度细粒度。作为预训练模型的微调数据集，CRMpert提供了丰富且集中的几何与流场变化，覆盖了机翼形状、攻角、马赫数等多种参数组合。数据存储形式清晰，包含几何参数文件（samples.parquet）、索引文件（index.npy）以及参考表面网格与物理量（geom0.npy和data.npy）。此外，数据集中同时提供了求解器直接计算的力系数与从表面流场重计算的系数，后者常用于机器学习模型训练，增强了数据的实用性与灵活性。

使用方法

使用CRMpert数据集时，用户可从samples.parquet文件中提取翼型几何参数（包括CST系数、扭转角、上反角）及运行条件（攻角、马赫数），并结合index.npy索引文件，关联至对应的参考表面网格与流场数据。数据集的几何与物理量存储于geom0.npy和data.npy中，便于直接加载与可视化。用户可参考SuperWing数据集的使用方式进行数据解析与模型训练，通过微调预训练模型实现对特定翼型流场的高精度局部代理建模。

背景与挑战

背景概述

CRMpert数据集由研究人员基于通用研究模型（CRM）构建，旨在为飞行器机翼流场预测提供任务特定的微调数据。该数据集创建于深度学习与计算流体力学交叉融合的背景下，其核心研究问题是利用少量高精度样本提升预训练模型在机翼气动优化中的局部代理精度。通过系统化地扰动机翼几何参数——包括翼型剖面CST系数、上反角和扭转角——并生成288种机翼构型与2145个流场样本，CRMpert为气动外形优化研究提供了高质量的基准数据。该数据集不仅填补了复杂三维机翼气动数据在细粒度微调场景下的空白，还推动了数据驱动方法与物理模拟在航空工程领域的深度融合，对气动代理模型和智能优化设计具有重要影响。

当前挑战

CRMpert解决的核心领域挑战在于机翼气动性能评估的高昂计算成本与设计空间中大量构型的评估需求之间的矛盾。传统计算流体力学方法难以快速探索包含几何参数、飞行工况等多维变量的设计空间，而现有数据驱动模型常因缺乏细粒度任务数据导致局部预测精度不足。在构建过程中，研究人员需应对几何参数扰动范围的合理设定、多截面CST系数与扭转角间的复杂耦合效应、以及少量样本下代理模型泛化能力的权衡。此外，从288种离散构型中提取出的流场数据需确保物理一致性，避免因网格差异或求解器数值误差引入噪声，这对数据标准化与质量控制提出了高要求。

常用场景

经典使用场景

CRMpert数据集专注于飞行器气动外形优化领域，其核心使用场景在于为基于深度学习的代理模型提供微调数据，以提升局部预测精度。该数据集围绕通用研究模型（CRM）生成翼型扰动样本，涵盖288种翼型几何构型与2145个流场数据。通过在七个展向控制截面上对CST参数、上反角与扭转角施加随机扰动，CRMpert构建了一个紧凑而任务特定的样本空间，适用于构建高保真的气动系数（如升力、阻力与俯仰力矩）预测模型。研究者常用该数据集对预训练模型进行领域微调，从而在翼型外形优化、气动性能快速评估等场景中实现更精准的局部代理建模。

衍生相关工作

CRMpert数据集的发布推动了气动代理建模领域一系列经典工作的涌现。其扰动策略与数据格式借鉴了SuperWing数据集的设计思想，并为后续研究提供了标准化的微调基线。基于该数据集，研究人员开发了多种针对流场预测的图神经网络（GNN）与Transformer架构，有效提升了外形-流场映射的拟合能力。同时，该数据集也催生了诸如条件神经过程、物理信息神经网络（PINN）等模型在气动微调场景中的应用探索，形成了预训练-微调范式的典型研究范例。这些衍生工作不仅丰富了数据驱动气动设计的工具链，也促进了机器学习与计算流体力学交叉研究的深入发展。

数据集最近研究

最新研究方向

CRMpert数据集专注于气动外形优化与代理模型构建的前沿方向，特别是针对机翼扰动下的流场预测。该数据集以通用研究模型（CRM）为基础，通过对翼型参数、上反角与扭转角进行受控扰动，生成多样化的翼型几何与流场数据，为预训练模型的精细化微调提供了任务专属的高质量训练样本。在当前航空领域对高效气动设计工具需求日益迫切，以及数字孪生与机器学习加速物理仿真交叉融合的热点背景下，CRMpert的出现填补了大规模、可解释的机翼扰动数据空白，有望推动非定常气动力精确建模、不确定度量化与多学科优化设计的发展。其结构化参数设计不仅支持可解释性分析，也为跨外形泛化的物理信息神经网络提供了基准测试平台，对于新一代飞行器概念设计与快速评估具有重要的工程与学术意义。