ubend-cfd

U型弯管共轭传热数据集是一个用于替代建模和科学机器学习的参数化CFD数据集。该数据集包含约9,000个参数化U型弯管冷却通道的共轭传热模拟结果，每个样本代表一个由28个设计参数定义的独特通道几何形状，以及相应的流动和温度解场。数据集适用于多种科学机器学习任务，包括参数到目标的回归、场预测/神经算子、物理信息神经网络（PINNs）和替代建模。数据集分为两个配置：'params'包含28个输入参数和2个标量目标的表格数据；'fields'包含网格坐标和解决方案场的详细数据。数据集总样本量为10,000个，其中成功模拟约8,950个，网格生成失败约990个，求解器发散约65个。数据集还提供了详细的模拟设置、参数化方法、数据集统计和快速入门指南。

原始信息汇总

U-bend Conjugate Heat Transfer 数据集概述

数据集基本信息

• 数据集名称: U-bend Conjugate Heat Transfer Dataset
• 托管地址: https://huggingface.co/datasets/JensDe/ubend-cfd
• 许可协议: CC BY-NC 4.0
• 任务类别: 表格回归
• 语言: 英语
• 数据规模: 1K < n < 10K
• 标签: cfd, openfoam, surrogate-modeling, scientific-computing, scientific-machine-learning, physics-informed-neural-networks, neural-operator, heat-transfer, engineering, simulation, fluid-dynamics, rans

数据集描述

该数据集包含约9,000个参数化U型弯冷却通道的共轭传热模拟，使用OpenFOAM (chtMultiRegionSimpleFoam)生成。每个样本代表一个由28个设计参数定义的独特通道几何形状，并包含相应的流动和温度解场。

设计用途

该数据集专为科学机器学习任务设计，包括：

• 参数到目标回归：从几何参数预测压力损失和冷却效率
• 场预测/神经算子：从网格坐标预测完整解场（速度、压力、温度、湍流量）
• 物理信息神经网络：可用于物理约束训练的网格坐标和边界条件
• 代理建模：为设计优化快速近似昂贵的CFD模拟

配置与数据结构

params 配置 — 表格参数数据

轻量级CSV/Parquet格式，每个样本包含28个输入参数和2个标量目标。

数据列说明:

• input_0 ... input_27: 28个Sobol采样的几何参数
• target_0: 压力损失（面积平均入口压力）
• target_1: 冷却效率（积分平方温度偏差）
• target_0_mean, target_0_std: 最后100个求解器迭代的平均值和标准差
• target_1_mean, target_1_std: 最后100个求解器迭代的平均值和标准差

数据分割:

• train: 约8,050个样本
• test: 约895个样本（90/10分割，种子=42）
• failed: 约1,055个样本（包含所有不成功的运行）

fields 配置 — 网格上的解场

每个样本的safetensors文件包含网格坐标和解场，裁剪到弯曲区域（240 x 60个单元）。

字段说明:

• sample_id: 样本索引
• params: 几何参数
• targets: 目标值（两个目标的最后值、平均值、标准差）
• coords: 单元中心坐标（x, y, z）
• U: 速度场（Ux, Uy, Uz）
• p: 压力场
• T: 温度场（流体）
• k: 湍流动能
• nut: 湍流粘度
• p_rgh: 压力减去静水压力（对于恒定密度等于p）
• solid_coords: 固体区域单元中心
• solid_T: 固体温度场

数据分割:

• 仅包含成功样本（约8,950个）
• 使用与params相同的train/test分割

模拟设置

• 求解器: chtMultiRegionSimpleFoam (OpenFOAM-plus)
• 湍流模型: k-omega SST with wall functions
• 雷诺数: 40,000
• 流体: 空气，恒定密度（rho = 1.2 kg/m³）
• 边界条件: 外壁恒定热通量 q = 100,000 W/m²，入口 T = 300 K
• 网格: 结构化2D，57,000个单元（45,600流体 + 11,400固体），壁面分级比10
• 收敛: 基于残差的终止条件（p_rgh < 1e-6），最大15,000次迭代

参数化

几何形状由28个参数控制，通过加扰Sobol序列（种子=42）采样。参数包括：

• 6个锚点位移（外壁形状）
• 6个中点位移（内壁形状）
• 16个三次贝塞尔控制权重（壁面曲率）

数据集统计

• 总样本数: 10,000
• 成功模拟: 约8,950（89.5%）
• 网格生成失败: 约990（9.9%）— 极端参数组合产生无效几何形状
• 求解器发散: 约65（0.7%）— 强收缩几何形状中的物理不稳定流动
• 压力损失范围: 24 – 800（成功样本）
• 温度范围: 3.7 – 10.0（成功样本）

失败样本处理

失败样本在目标列中用标记值指示：

• target_0 = 10000: 网格生成失败
• target_0 = 11000: 模拟发散
• 其他值: 实际压力损失值（成功模拟）

失败样本在参数空间中不是随机分布的，它们聚集在具有极端参数组合的区域。这意味着参数空间存在没有有效模拟结果的间隙。

网格质量

基于多个壁面分级配置的网格收敛研究选择了计算网格。最终网格在数值精度和模拟稳定性之间提供了良好的平衡。

版本历史

这是原始U型弯数据集的更新版本，具有改进的网格质量（网格收敛研究）、更正的Sobol采样和额外的输出字段。

引用

bibtex @article{decke2023dataset, title={Dataset of a parameterized U-bend flow for Deep Learning Applications}, author={Decke, Jens and W{"u}nsch, Olaf and Sick, Bernhard}, booktitle={Data in Brief}, volume={50}, year={2023}, publisher={Elsevier} }

作者

Jens Decke, Olaf Wunsch, Bernhard Sick

致谢

本研究由联邦经济事务和气候行动部（BMWK）在项目“KI-basierte Topologieoptimierung elektrischer Maschinen (KITE)” (19I21034C) 内资助。

搜集汇总

数据集介绍

构建方式

在计算流体动力学领域，高保真模拟数据的获取对于科学机器学习至关重要。该数据集通过参数化U型弯管几何设计，采用Sobol序列对28个几何参数进行准随机采样，确保了高维参数空间的均匀覆盖。利用OpenFOAM的chtMultiRegionSimpleFoam求解器执行共轭传热模拟，生成约9000个成功样本，涵盖了流体与固体区域的速度、压力、温度及湍流量等多物理场数据。模拟过程中严格遵循收敛准则，并记录了目标变量的统计特性，为后续建模提供了可靠基础。

特点

该数据集以其丰富的多物理场信息和结构化网格表示脱颖而出。每个样本不仅包含28维几何参数与两个标量目标，还提供了流体与固体区域的完整场数据，如三维速度场、压力场及温度场等。数据集特别标注了失败样本，揭示了参数空间中极端几何组合导致的模拟失效区域，这为模型鲁棒性评估提供了重要参考。此外，数据以轻量级表格与高效张量格式并存，兼顾了参数回归与场预测任务的不同需求。

使用方法

针对科学机器学习的不同范式，该数据集提供了灵活的使用途径。对于参数到目标的回归任务，用户可直接加载表格配置，利用几何参数预测压力损失与冷却效率。若进行场预测或神经算子训练，可通过safetensors格式获取网格坐标与物理场，构建端到端的映射模型。数据集还支持物理信息神经网络训练，因为提供了完整的网格坐标与边界条件。使用者需注意过滤失败样本，并参考附带的可视化工具进行数据探索与结果验证。

背景与挑战

背景概述

在计算流体力学与科学机器学习的交叉领域，高保真数值模拟常因计算成本高昂而制约设计优化与参数研究的效率。U-bend Conjugate Heat Transfer Dataset（ubend-cfd）应运而生，由Jens Decke、Olaf Wünsch与Bernhard Sick等研究人员于2023年构建，旨在为共轭传热问题的代理建模与神经算子学习提供基准数据。该数据集基于OpenFOAM求解器生成约九千个参数化U形冷却通道的仿真样本，涵盖28个几何设计参数及对应的流场与温度场全解。其核心研究问题聚焦于通过数据驱动方法快速预测复杂流动与传热特性，从而替代昂贵的计算流体力学模拟，显著提升了能源工程与热管理系统设计中的优化迭代速度，对推动物理信息神经网络、深度算子网络等前沿方法在工程科学中的应用具有重要影响力。

当前挑战

该数据集致力于解决共轭传热场景下高维参数空间到流场映射的代理建模挑战，其核心问题在于如何从有限的几何参数中准确预测非线性的湍流与温度分布，这要求模型既能捕捉细微的物理约束，又能泛化至未见过的设计变体。在构建过程中，研究者面临多重困难：首先，参数空间的均匀采样受限于极端几何组合导致的网格生成失败与求解器发散，约10%的样本因此失效，形成了参数分布中的空白区域；其次，保持大规模仿真结果的一致性需精细的网格收敛性验证与稳定的边界条件设置，以确保数据质量满足科学机器学习对数值精度的严苛要求。这些挑战共同凸显了在复杂物理系统中构建可靠数据集的固有难度。

常用场景

经典使用场景

在计算流体力学与科学机器学习领域，U-bend CFD数据集为参数化几何形状的共轭传热模拟提供了丰富基准。该数据集最经典的使用场景在于训练代理模型，以快速预测U型弯曲冷却通道在不同设计参数下的流动与温度场。研究者可利用其约9,000个OpenFOAM仿真样本，构建从28个几何参数到压力损失和冷却效率的映射关系，或基于网格坐标预测全场物理量如速度、压力与温度分布，从而显著加速传统CFD仿真流程，支撑工程设计中的迭代优化。

衍生相关工作

基于该数据集，已衍生出一系列经典研究工作，主要集中在神经算子架构与代理建模方法的推进。例如，研究者采用DeepONet、傅里叶神经算子等模型，学习从参数或坐标到流场、温度场的映射关系；同时，物理信息神经网络通过融入守恒定律约束，提升了预测的物理一致性。这些工作不仅验证了数据集在科学机器学习中的实用性，也推动了流体力学中数据驱动与物理模型融合的新兴研究方向。

数据集最近研究

最新研究方向

在计算流体力学与科学机器学习领域，U-bend共轭传热数据集正推动着高维参数化几何的代理建模与神经算子方法的前沿探索。该数据集通过约九千个参数化U型弯曲冷却通道的共轭传热模拟，为研究者提供了丰富的流场与温度场数据，特别适用于开发能够预测压力损失与冷却效率的深度学习模型。当前研究热点集中于利用神经算子架构，如DeepONet与傅里叶神经算子，直接从几何参数映射到全解场，以替代昂贵的计算流体动力学仿真。同时，物理信息神经网络通过融入边界条件与网格坐标，增强了模型的物理一致性，为工程设计优化提供了高效且可靠的替代方案。这些进展不仅加速了流体传热系统的仿真流程，也为复杂工程场景中的实时预测与自动化设计奠定了数据基础。