AirfRANS

代理模型对于优化物理动力学中的有意义量至关重要，特别是在递归数值解法的情况下，其计算成本往往过高。这在流体动力学和纳维尔-斯托克斯方程的解析中尤为明显。然而，尽管数据驱动模型在物理系统中的应用领域不断扩大，但缺乏代表现实世界现象的参考数据集。在这项研究中，我们介绍了AIRFRANS数据集，该数据集用于分析二维不可压缩稳态雷诺平均纳维尔-斯托克斯方程在亚音速条件下的翼型，以及不同攻角下的情况。我们还通过检查几何表面上的应力力和可视化边界层来评估模型的能力。最后，我们针对四个机器学习任务提出了深度学习基线，以研究AIRFRANS在不同约束条件下的性能，包括大数据和稀缺数据、雷诺数和攻角外推。