PLAID-datasets/AirfRANS_original

AirfRANS数据集是一个用于物理学习和几何学习的图机器学习数据集。数据集由Safran公司拥有，采用ODbL-1.0许可证。数据是通过OpenFOAM模拟器生成的2D CFD RANS（雷诺平均Navier-Stokes）翼型模拟数据。数据集包含了多个角度的训练样本，具体分割信息在README文件中列出。

The dataset is owned by Safran and licensed under ODbL-1.0. The data is generated through 2D CFD RANS aerodynamic simulations using the OpenFOAM simulator. The dataset is split into multiple training samples, each with a specific angle number.

原始信息汇总

数据集概述

基本信息

• 数据集名称: AirfRANS original
• 许可证: ODbL-1.0
• 数据集大小: n<1K
• 任务类别: 图机器学习 (graph-ml)
• 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-*
• 数据分割: all_samples

数据集描述

• 法律信息:
  • 所有者: Safran
  • 许可证: ODbL-1.0
• 数据生产:
  • 类型: 模拟
  • 物理模型: 2D CFD RANS 翼型
  • 模拟器: OpenFOAM

数据分割

• aoa_train:
  • 93, 194, 935, 910, 246, 596, 237, 868, 394, 242, 814, 404, 166, 659, 955, 564, 469, 253, 676, 774, 576, 706, 45, 428, 782, 112, 599, 946, 11, 61, 345, 849, 788, 730, 716, 656, 861, 563, 574, 209, 565, 289, 164, 507, 794, 217, 333, 51, 226, 614, 55, 710, 256, 397, 429, 985, 884, 197, 640, 852, 337, 571, 56, 234, 309, 315, 591, 514, 35, 588, 727, 73, 108, 433, 593, 845, 720, 4, 595, 318, 66, 48, 370, 518, 735, 772, 589, 406, 426, 481, 724, 143, 130, 448, 8, 862, 809, 713, 159, 54, 759, 750, 760, 975, 912, 126, 732, 919, 362, 441, 389, 655, 241, 662, 808, 864, 191, 464, 489, 525, 556, 399, 400, 511, 820, 79, 290, 924, 628, 262, 969, 928, 719, 251, 711, 122, 751, 186, 284, 427, 77, 467, 103, 243, 925, 865, 667, 102, 993, 769, 34, 291, 526, 249, 551, 887, 346, 513, 19, 836, 446, 382, 220, 818, 280, 605, 125, 897, 615, 264, 233, 888, 410, 684, 657, 540, 848, 409, 936, 977, 763, 812, 770, 343, 319, 776, 466, 235, 87, 699, 357, 88, 627, 873, 198, 244, 89, 386, 202, 178, 733, 432, 339, 520, 43, 443, 58, 982, 307, 559, 383, 27, 797, 773, 972, 305, 20, 33, 821, 60, 422, 151, 349, 314, 7, 416, 558, 325, 902, 947, 768, 95, 690, 757, 721, 5, 170, 478, 157, 278, 252, 963, 407, 474, 114, 80, 604, 620, 177, 491, 453, 272, 365, 138, 970, 754, 784, 816, 529, 70, 781, 350, 663, 718, 168, 210, 668, 140, 611, 421, 483, 749, 903, 610, 296, 653, 997, 927, 40, 206, 175, 616, 266, 941, 356, 715, 830, 247, 313, 363, 567, 555, 685, 353, 840, 222, 594, 21, 131, 391, 352, 31, 499, 153, 538, 187, 6, 965, 97, 645, 501, 250, 121, 980, 182, 962, 737, 231, 107, 660, 866, 205, 547, 561, 306, 227, 619, 871, 373, 395, 299, 528, 390, 979, 412, 472, 214, 208, 874, 806, 566, 301, 876, 490, 462, 582, 891, 261, 52, 934, 201, 843, 783, 98, 581, 392, 402, 682, 24, 755, 622, 523, 190, 952, 229, 799, 869, 937, 644, 42, 796, 804, 274, 320, 630, 917, 25, 293, 41, 376, 196, 308, 575, 414, 633, 536, 624, 267, 294, 50, 618, 554, 823, 281, 29, 292, 694, 161, 105, 753, 895, 931, 263, 135, 981, 487, 602, 372, 765, 918, 815, 847, 434, 455, 298, 1, 496, 613, 218, 44, 493, 740, 674, 535, 915, 798, 213, 347, 664, 943, 225, 156, 498, 844, 722, 435, 752, 32, 185, 837, 381, 726, 359, 870, 494, 379, 286, 930, 909, 322, 436, 396, 142, 83, 652, 698, 707, 288, 512, 59, 329, 960, 16, 82, 505, 510, 850, 527, 366, 295, 855, 92, 817, 858, 139, 193, 585, 762, 971, 700, 516, 983, 867, 223, 739, 598, 13, 207, 106, 885, 741, 744, 793, 680, 999, 158, 811, 364, 81, 877, 321, 913, 521, 658, 911, 670, 984, 832, 450, 785, 841, 160, 171, 344, 683, 795, 169, 451, 270, 986, 393, 176, 573, 503, 413, 631, 127, 63, 856, 603, 331, 998, 579, 636, 23, 723, 317, 976, 743, 875, 539, 572, 144, 748, 276, 387, 904, 155, 53, 775, 813, 882, 704, 257, 479, 456, 728, 486, 831, 115, 587, 880, 361, 492, 878, 632, 240, 646, 174, 634, 15, 334, 846, 921, 38, 669, 889, 901, 134, 635, 420, 839, 500, 271, 17, 90, 922, 577, 623, 338, 926, 408, 259, 695, 424, 766, 374, 405, 283, 497, 200, 617, 310, 113, 898, 978, 590, 746, 688, 677, 123, 842, 672, 549, 475, 697, 419, 678, 340, 172, 835, 786, 738, 994, 541, 279, 470, 568, 834, 327, 96, 117, 896, 477, 236, 212, 991, 851, 461, 335, 906, 966, 957, 892, 495, 9, 872, 787, 488, 101, 203, 961, 951, 149, 415, 468, 825, 485, 100, 506, 886, 779, 128, 560, 691, 996, 607, 378, 304, 312, 330, 184, 224, 764, 133, 360, 534, 269, 709, 354, 537, 328, 508, 74, 550, 316, 12, 908, 124, 504, 761, 480, 502, 458, 517, 62, 531, 118, 22, 417, 519, 949, 810, 546, 702, 758, 696, 532, 85, 132, 989, 154, 939, 708, 375, 192, 476, 731, 938, 277, 179, 355, 789, 940, 580, 230, 945, 248, 377, 899, 285, 651, 805, 273, 944, 136, 973, 780, 881, 524, 600, 188, 303, 552, 10, 238, 954, 442, 439, 950, 916, 332, 515, 974, 679, 905, 75, 104, 609, 807, 232, 629, 625, 661, 189, 431, 152, 18, 948, 195, 533, 687, 26, 790, 76, 459, 228, 173, 167, 384, 452, 893, 215, 471, 639, 671, 649, 900, 829, 920, 638, 681, 522, 791,

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，AirfRANS数据集通过高保真数值模拟构建而成。该数据集采用开源软件OpenFOAM进行二维RANS（雷诺平均纳维-斯托克斯）模拟，针对翼型绕流场景生成了丰富的流场数据。模拟过程严格遵循流体力学控制方程，确保了物理规律的真实性。数据生成涵盖了广泛的攻角与雷诺数组合，通过系统化的参数空间采样，构建了具有统计代表性的样本集合。每个样本均包含完整的流场变量分布，为机器学习模型提供了高质量的训练基础。

特点

该数据集的核心特征体现在其结构化设计与物理一致性上。所有数据均以标准化格式存储，便于直接用于图神经网络等机器学习框架。数据集包含多种翼型几何形态与流动条件，覆盖了从层流到湍流的复杂流动现象。每个样本不仅包含速度场、压力场等基本物理量，还保留了完整的边界层信息与分离流动特征。数据集的规模经过精心设计，在保证多样性的同时避免了冗余，为模型泛化能力评估提供了可靠基准。其严格的数值验证流程确保了数据精度满足科学研究要求。

使用方法

使用该数据集时，研究人员可将其直接加载至主流机器学习平台进行模型训练与验证。数据集已预分割为训练集与测试集，支持监督学习任务中的性能评估。典型应用包括构建图神经网络预测流场分布，或训练生成模型进行流场重构。用户可根据需要提取特定攻角或雷诺数下的子集，进行针对性研究。数据集兼容常见的深度学习框架，其标准化格式简化了数据预处理流程。通过该数据集，研究者能够系统评估模型在复杂流体力学问题中的预测精度与泛化能力。

背景与挑战

背景概述

在计算流体力学领域，高精度模拟翼型周围的湍流流动一直是航空工程与空气动力学研究的核心课题。AirfRANS数据集由法国赛峰集团于近年发布，依托开源计算流体力学软件OpenFOAM，采用二维RANS模型对翼型周围的流场进行大规模数值模拟。该数据集旨在为基于几何学习的物理信息神经网络提供高质量的训练与验证基准，推动机器学习与经典流体力学模拟的深度融合，从而加速复杂空气动力学问题的求解效率与精度。

当前挑战

该数据集致力于解决翼型周围湍流流动的高效预测问题，其挑战在于如何准确捕捉复杂几何形状下的分离流、涡旋结构及压力分布等非线性物理现象。构建过程中，面临的主要困难包括大规模高保真数值模拟的计算资源消耗巨大，网格生成与边界条件设置的复杂性，以及确保数据在不同攻角与雷诺数下的一致性与泛化能力。此外，将传统CFD数据转化为适用于图神经网络学习的结构化表示，亦需克服数据格式转换与特征提取的技术瓶颈。

常用场景

经典使用场景

在计算流体力学与几何学习的交叉领域，AirfRANS数据集为研究者提供了一个基于二维翼型RANS模拟的基准平台。该数据集通过OpenFOAM生成的仿真数据，涵盖了多种攻角与雷诺数条件下的流场物理量分布，典型应用于图神经网络在流场预测与物理规律学习中的模型训练与验证。其结构化网格数据与对应的压力、速度场标签，使得机器学习模型能够学习复杂流体动力学中的非线性映射关系，为替代传统高成本CFD模拟提供了数据基础。

实际应用

在工程设计与优化实践中，AirfRANS数据集能够用于开发高效的流场代理模型，显著缩短飞行器翼型、涡轮叶片等气动部件的设计周期。基于该数据集训练的模型可集成于工业仿真流程，实现实时或近实时的流场特性预测，辅助工程师进行参数化设计与性能评估。此外，该数据集还可用于开发智能控制系统中的流态监测模块，为航空航天、能源装备等领域的数字化运维提供数据驱动的决策支持。

衍生相关工作

围绕AirfRANS数据集，学术界涌现了一系列基于图神经网络与物理约束学习的经典研究。例如，将图卷积网络应用于流场节点特征的学习，实现了高精度的压力与速度场预测；结合物理方程残差约束的模型，提升了在未见工况下的泛化性能。这些工作进一步推动了神经算子与几何深度学习在流体力学中的应用，衍生出用于非结构化网格数据处理的通用架构，为复杂物理系统的机器学习建模奠定了方法论基础。