Electric Potential-Augmented ECT Benchmark Dataset

该数据集是由清华大学研究团队构建的电势增强型电容层析成像基准数据库，旨在为物理引导的机器学习方法提供标准化测试平台。数据集包含20,000个仿真样本，覆盖单棒状、双棒状、环状和分层四种典型流型，每个样本包含介电常数分布图像、28维电容向量以及8个激励对应的全场电势分布图，数据通过COMSOL-MATLAB有限元仿真流程生成。数据集通过显式保留电势场这一关键物理中间量，为理解电容层析成像的软场效应提供了物理可解释的数据基础，主要应用于电容层析成像的正反问题研究、物理引导的深度学习算法开发，以及跨域泛化性能评估等领域。This dataset is a potential-enhanced electrical capacitance tomography (ECT) benchmark database constructed by the research team from Tsinghua University, aiming to provide a standardized testbed for physics-guided machine learning methods. The dataset contains 20,000 simulation samples covering four typical flow regimes: single rod, dual rod, annular, and stratified flow. Each sample includes a dielectric constant distribution image, a 28-dimensional capacitance vector, and full-field potential distribution maps corresponding to 8 excitations. The data is generated via a finite element simulation workflow combining COMSOL and MATLAB. By explicitly retaining the potential field as a critical physical intermediate variable, the dataset provides a physically interpretable data foundation for understanding the soft-field effect of electrical capacitance tomography. It is mainly applied to research on forward and inverse problems of ECT, development of physics-guided deep learning algorithms, and cross-domain generalization performance evaluation, among other research fields.

搜集汇总

数据集介绍

构建方式

该数据集基于COMSOL-MATLAB联合仿真管道构建，采用八电极二维ECT传感器模型，通过有限元方法求解静电场控制方程。数据集包含20,000个随机化样本，涵盖单柱、双柱、环状和分层四种典型流型，每个样本不仅提供传统的28维电容向量和介电常数分布图像，还额外保存了八次激励下的全场电位图，并附有空管与满管参考状态以支持数据归一化。

特点

数据集的核心创新在于显式保留了激励级电位场这一潜在物理场信息，突破了传统ECT数据仅包含电容-介电常数映射的局限。每个样本的电位场以78×78网格存储，内圈64×64子网格包含3228个有效像素，为物理引导的机器学习提供了标准化的中间场量。通过统计覆盖率与场畸变分析，数据集展现出广泛的几何覆盖度与物理一致性。

使用方法

数据集适用于ECT正问题与逆问题的评估，用户可直接使用介电常数分布预测电容向量（正问题），或从电容向量重建介电常数分布（逆问题）。实验中设计了四种模型变体，通过对比有无电位场预测的基线模型，可系统评估电位场对建模精度与鲁棒性的提升效果。数据集还内置了分布内与分布外测试协议，支持跨流型泛化性能的基准测试。

背景与挑战

背景概述

电容层析成像（ECT）作为一种成熟的软场成像模态，在工业多相流监测与可视化中扮演着重要角色。然而，其图像重建问题长期受到非线性、病态以及“软场”效应的困扰。2026年，清华大学自动化系的张心祁、马启明和彭黎辉教授团队提出了一种电场势增强的ECT基准数据集，旨在突破传统数据驱动方法中将传感器视为黑箱的局限。该数据集通过COMSOL-MATLAB流水线生成，包含20,000个样本，涵盖四种典型流型，并创新性地为每个样本保存了八次激励下的全场电势图。这一工作不仅为物理引导的机器学习提供了标准化基础，也因其对潜藏物理场的显式整合，显著推动了ECT重建方法的发展，在相关领域产生了深远影响。

当前挑战

该数据集所应对的核心挑战首先源于ECT固有的软场效应：敏感场分布随未知介电常数变化，导致重建高度非线性和病态。传统方法依赖线性化或正则化，但受限于测量数少、噪声干扰及固定逆模型的表达力。此外，构建过程面临双重困难：一是如何在有限电极配置下生成多样化的流型样本以覆盖复杂形态，二是如何通过可重复的仿真流水线精确提取并保存激励相关的电势场信息，作为中间物理表征。这些挑战共同决定了数据集的设计——即通过提供超越常规电容-介电常数对的全场电势图，为物理引导的机器学习提供关键测试平台。

常用场景

经典使用场景

在电容层析成像（ECT）这一软场成像技术中，由于灵敏度分布依赖于未知介电常数分布，图像重建呈现强烈的非线性和病态特性。传统的数据驱动方法通常直接将电容测量值与介电常数分布建立黑箱映射，忽略了电场势这一连接二者的潜在物理纽带。该数据集通过为每个样本提供八组激励条件下的全场电位图，开创性地将隐式物理场信息显式纳入学习流程，为物理引导的机器学习在ECT逆问题求解中提供了标准化基准。研究者可基于该数据集构建融合电位先验的神经网络模型，在保持输入输出关系的同时注入电场演化规律，从而缓解软场效应带来的重建模糊性，推动ECT成像从纯数据驱动向物理-数据协同驱动的范式转型。

解决学术问题

该数据集系统性地回应了ECT领域两个核心学术挑战：其一是如何量化电场势这一隐式物理量对正向建模（介电常数→电容）和逆向重建（电容→介电常数）性能的增益；其二是如何构建跨流型的泛化评估协议，以检验模型在分布内与分布外场景下的鲁棒性。实验表明，引入预测电位图可使正向模型在分布外测试中均方误差降低约21.8%，逆向重建在分布内场景下均方误差减少约22.3%。这些发现不仅为物理信息嵌入策略提供了定量支撑，更揭示了电位估计质量与复杂多目标几何泛化能力之间的深层关联，为后续结合偏微分方程约束、图神经网络等前沿方法的学术探索奠定了方法论基石。

衍生相关工作

该数据集的发布催生了一系列具有开创性的后续研究。在其框架下，基于图卷积网络的电场分布直接估计方法被提出，利用图结构模拟不规则传感器网格上的场响应传播规律。数字孪生辅助的三维ECT框架则借鉴了数据集中位图与电容联合建模的思路，将流体-静电场耦合模型融入虚拟成像数据的生成。此外，物理约束深度学习方法的兴起直接受益于该数据集提供的显式电位标签，使得研究者能够设计含有电场散度正则项或麦克斯韦方程残差损失的损失函数。这些衍生工作共同指向一个核心方向：通过将可复用的场级物理信息作为学习目标或中间表征，推动ECT从经验性映射向基于第一性原理的可解释建模演进。