TheWell_turbulent_radiative_layer_2D

该数据集是2D湍流辐射层的模拟数据，包含密度、压力和速度等物理特征，适用于物理学习和几何学习任务。数据集分为训练集、测试集和验证集，采用PLAID格式存储，便于标准化访问。

原始信息汇总

TheWell_turbulent_radiative_layer_2D 数据集概述

基本信息

• 数据集名称: TheWell_turbulent_radiative_layer_2D
• 许可证: CC BY-SA 4.0
• 任务类别: 图机器学习
• 标签: 物理学习、几何学习

数据特征

数据集包含以下特征字段：

• Base_2_2/Zone/PointData/density (float32列表)
• Base_2_2/Zone/PointData/pressure (float32列表)
• Base_2_2/Zone/PointData/v_x (float32列表)
• Base_2_2/Zone/PointData/v_x_IC (float32列表)
• Base_2_2/Zone/PointData/v_y (float32列表)
• Base_2_2/Zone/PointData/v_y_IC (float32列表)
• Global/tcool (float32列表)

数据划分

• 训练集: 72个样本，5,747,247,360字节
• 测试集: 9个样本，718,405,920字节
• 验证集: 9个样本，718,405,920字节

存储信息

• 下载大小: 7,549,490,431字节
• 数据集大小: 7,184,059,200字节

数据来源

• 物理模型: 湍流辐射层 - 2D
• 模拟器: Athena++
• 数据类型: 模拟数据
• 数据格式: PLAID格式
• 原始所有者: polymathic-ai (https://huggingface.co/datasets/polymathic-ai/turbulent_radiative_layer_2D)

技术信息

• PLAID版本: 0.1.10.dev114+gcbd3fd46f.d20251014
• 数据生产: 转换为PLAID格式以标准化访问，数据内容无更改

数据访问

数据集使用PLAID库进行高效数据重构，支持通过路径标识符提取输入和输出特征。

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，该数据集通过Athena++数值模拟器对二维湍流辐射层物理过程进行高精度数值模拟，采用PLAID格式进行标准化转换以保持数据完整性。构建过程基于严格的物理方程求解，涵盖密度、压力及速度场等多维物理量的时空演化数据，通过分轨机制将90组样本划分为训练集、测试集和验证集，确保数据结构的科学性与可复用性。

特点

数据集呈现湍流辐射层在二维空间中的复杂动力学特征，包含密度场、压力场及速度分量等七类核心物理变量，所有数据均以32位浮点数格式存储以保证数值精度。其独特之处在于同时记录初始条件与演化过程的速度场数据，为研究湍流初始值敏感性提供完整对比基准。数据规模达7.18GB，通过动态可视化呈现流体结构的时空演变规律，适用于物理规律发现与几何学习等跨学科研究。

使用方法

通过Plaid库与HuggingFace数据集库的桥接接口，用户可调用标准化数据加载流程获取分轨数据。利用问题定义文件灵活指定输入输出特征路径，通过特征路径映射机制高效重构网格时序数据。具体操作包含样本对象转换、特征路径提取和多时间步数据遍历，支持从复杂网格结构中定向获取特定物理量，为机器学习模型提供结构化的训练与验证数据流。

背景与挑战

背景概述

天体物理领域长期致力于研究恒星内部能量传输机制，TheWell_turbulent_radiative_layer_2D数据集由Polymathic AI团队基于Athena++流体动力学模拟器构建，聚焦于二维湍流辐射层的物理过程。该数据集通过记录密度、压力、速度场等关键物理量的时空演化，为研究湍流与辐射传输的耦合作用提供了高保真数值实验平台，其结构化存储格式PLAID进一步推动了物理启发的几何学习研究范式的标准化进程。

当前挑战

在湍流辐射传输领域，该数据集需解决多尺度涡旋结构与辐射场非线性交互的建模难题，其构建过程面临高维物理场数据采集与存储的技术挑战。具体表现为：原始模拟数据需在保持物理守恒律的前提下，转化为适用于几何学习的图结构；同时需平衡时空分辨率与计算资源限制，确保速度场初始条件与演化过程的动态一致性。

常用场景

经典使用场景

在计算流体力学领域，TheWell_turbulent_radiative_layer_2D数据集为湍流辐射层现象的二维模拟提供了标准化的基准。其经典应用场景聚焦于通过Athena++模拟器生成的密度、压力和速度场数据，支持研究者构建几何学习模型，以解析湍流与辐射传输的耦合机制。该数据集通过结构化网格点数据，为复杂物理系统的动态演化提供了高保真度的训练与验证基础。

实际应用

基于PLAID框架的标准化接口，该数据集可直接应用于天体物理模拟引擎的优化，例如恒星内部对流层的能量传输预测。在工程实践中，它支撑着核聚变装置中等离子体辐射冷却效应的数字孪生构建，同时为气候模型中的大气辐射湍流参数化提供数据驱动验证。其多维物理场数据进一步加速了航空航天领域热防护系统的仿真效率。

衍生相关工作

该数据集催生了多项几何学习与物理推理的融合研究，例如基于图神经网络的湍流场超分辨率重建模型。衍生工作中最具代表性的是Polymathic AI团队开发的跨物理系统迁移学习框架，其通过泛化该数据集的建模范式，成功应用于磁流体动力学与宇宙学模拟。后续研究则进一步拓展了隐式神经表示在非稳态辐射传输场景中的适应性。