lid-cavity

该数据集包含经典顶盖驱动空腔问题的计算流体动力学模拟，具有不同的顶盖速度参数。数据集提供了在具有移动顶盖的方形空腔中粘性流体流动的数值模拟，包括速度大小和压力场，是计算流体动力学中用于验证数值方法和机器学习应用的基本基准问题。

原始信息汇总

Lid-Driven Cavity Flow Dataset 概述

数据集简介

该数据集包含经典顶盖驱动方腔流动问题的计算流体动力学模拟，具有变化的顶盖速度参数。

数据集结构

数据集包含三个配置（configurations）。

配置详情

• geometry（几何配置）

  • 特征：
    • node_coordinates_x：网格节点的x坐标序列（float64类型）
    • node_coordinates_y：网格节点的y坐标序列（float64类型）
  • 数据量：默认拆分包含1个样本。
  • 大小：下载大小3772字节，数据集大小80664字节。

• snapshots（快照配置）

  • 特征：
    • velocity_magnitude：每个节点的速度大小（float64类型）
    • pressure：每个节点的压力场（float64类型）
  • 数据量：默认拆分包含300个样本。
  • 大小：下载大小18171167字节，数据集大小24199200字节。

• parameters（参数配置）

  • 特征：
    • velocity：每次模拟的顶盖速度参数（float64类型）
  • 数据量：默认拆分包含300个样本。
  • 大小：下载大小3632字节，数据集大小2400字节。

数据拆分

• default：包含所有模拟数据。

数据集创建

数据来源

该数据集通过对具有移动顶盖的方形空腔中的不可压缩Navier-Stokes方程进行数值模拟生成。这是一个用于验证CFD代码的经典基准问题。

预处理

解以一维数组形式存储，对应于节点值。几何结构使用方形空腔域的结构化或非结构化网格表示。

使用方式

数据集可通过Hugging Face datasets 库加载，配置名称为 "geometry"、"snapshots" 和 "parameters"。提供的示例代码展示了如何加载数据并可视化第一次模拟的速度大小场。

联系方式

如有问题，请联系SISSA mathLab。

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，lid-cavity数据集通过数值模拟方法构建，其核心基于不可压缩Navier-Stokes方程的求解。该数据集模拟了经典顶盖驱动方腔流动问题，通过改变顶盖速度参数生成系列仿真。几何配置记录了网格节点的空间坐标，参数配置存储了每次模拟对应的顶盖速度值，而快照配置则保存了各节点上的速度大小与压力场数据。所有解均以一维数组形式存储，对应节点数值，完整呈现了结构化或非结构化网格下的流动特征。

特点

该数据集作为计算流体力学中的基准问题，具有明确的验证价值。其结构分为几何、参数与快照三个独立配置，分别涵盖网格坐标、控制参数与物理场数据，实现了数据的高度模块化。数据集包含300组模拟实例，每例均提供全场速度大小与压力分布，适用于数值方法验证与机器学习模型训练。数据以浮点精度存储，确保了科学计算的准确性，同时统一的默认划分便于用户直接调用与分析。

使用方法

使用该数据集时，可通过Hugging Face的datasets库分别加载几何、参数与快照配置。几何数据提供网格节点坐标，用于空间映射；参数数据包含顶盖速度，作为模拟的输入条件；快照数据则对应流动解，可直接用于可视化或进一步分析。用户可结合Matplotlib等工具，将节点坐标与物理场数据结合，绘制流速或压力云图，直观展示流动结构，亦可将参数与快照配对，构建数据驱动模型以探索流动响应规律。

背景与挑战

背景概述

在计算流体动力学领域，顶盖驱动方腔流动问题作为经典的基准测试案例，长期以来被广泛用于验证数值方法的准确性与稳定性。该数据集由SISSA数学实验室创建，旨在为机器学习在流体力学中的应用提供高质量的训练与验证数据。其核心研究问题聚焦于模拟不同顶盖速度参数下，粘性流体在封闭方腔内的复杂流动行为，为深度学习模型预测流场特性提供了关键的数据支撑，显著推动了数据驱动流体力学研究的发展。

当前挑战

该数据集致力于解决计算流体动力学中流场预测与参数化建模的挑战，具体涉及高维非线性偏微分方程的高效求解与流场特征的准确捕捉。在构建过程中，主要挑战包括生成大规模高保真度数值模拟数据所需的巨大计算资源，以及确保不同参数条件下流场解的一致性与物理合理性。此外，将复杂的网格节点数据与流场变量有效组织为结构化格式，以便于机器学习模型的训练与应用，亦是一项重要的技术难点。

常用场景

经典使用场景

在计算流体力学领域，lid-cavity数据集作为经典的顶盖驱动方腔流基准问题，常被用于验证数值模拟方法的准确性与稳定性。该数据集通过提供不同顶盖速度参数下的流场解，包括速度大小和压力分布，为研究人员评估有限体积法、有限元法或谱方法等数值离散方案的收敛性和误差分析提供了标准化的测试平台。其结构化的几何网格与丰富的流场快照数据，使得该数据集成为流体力学数值算法开发与优化的核心资源。

衍生相关工作

基于lid-cavity数据集，学术界衍生了一系列经典研究工作。例如，在降阶建模领域，该数据集被用于构建本征正交分解和动态模态分解等模型，以实现流场的高效预测。在机器学习方向，它支撑了物理信息神经网络、卷积神经网络等模型在流场重构与参数反演中的训练与验证。同时，该数据集也促进了数据同化方法、不确定性量化以及多保真度建模等前沿交叉学科的发展，推动了计算流体力学与数据科学的深度融合。

数据集最近研究

最新研究方向

在计算流体动力学领域，lid-cavity数据集作为经典的顶盖驱动方腔流动基准问题，正成为机器学习与物理建模交叉研究的前沿热点。该数据集通过提供不同顶盖速度参数下的流场模拟数据，为深度神经网络在流场重构、参数化建模及控制方程发现等方向的应用奠定了坚实基础。近年来，研究者们利用此类结构化数据，探索基于物理信息的神经网络方法，旨在高效预测复杂流动现象，并推动数字孪生与智能流体系统设计的发展，显著提升了计算效率与模型泛化能力，对航空航天、能源工程等领域的仿真技术革新产生了深远影响。