Rayleigh_Benard_Convection

Rayleigh-Bénard对流数据集，包含不同Rayleigh数下直接数值模拟的高分辨率数据，数据包括速度场和温度分布。数据集分为两种情况：Ra = 12,000和Ra = 20,000，每种情况都提供了网格大小、速度范围、温度范围和帧数等信息。

原始信息汇总

Rayleigh-Bénard Flow Dataset 概述

数据集基本信息

• 许可证: MIT
• 语言: 英语
• 标签: 物理学、偏微分方程、多物理场

数据集内容

• 包含高分辨率直接数值模拟数据，模拟不同瑞利数下的Rayleigh-Bénard对流
• 数据包括128×128网格上的速度场和温度分布
• 文件格式: .npz

数据字段

• vx: 速度场的x分量
• vy: 速度场的y分量
• temp: 温度场
• time: 时间点

可用案例

1. Ra = 12,000

   • 网格大小: 128×128
   • VX范围: -18.24到23.19
   • VY范围: -31.27到19.46
   • 温度范围: -1.63到1.01
   • 帧数: 500

2. Ra = 20,000

   • 网格大小: 128×128
   • VX范围: -24.74到32.24
   • VY范围: -40.23到27.77
   • 温度范围: -1.83到1.52
   • 帧数: 501

安装与下载

bash pip install -r requirements.txt

python from huggingface_hub import hf_hub_download import os os.makedirs("./rb_data", exist_ok=True)

hf_hub_download( repo_id="your-username/rb-flow-visualization", filename="data/data_12e3.npz", local_dir="./rb_data", repo_type="dataset" )

数据集加载器

• RBFlowDataset: PyTorch Dataset类，处理.npz文件的加载和预处理
• load_rb_flow_data: 创建DataLoader的实用函数

数据统计访问

python dataset = RBFlowDataset(data/data_12e3.npz) stats = dataset.stats

基本用法

python from dataloader import load_rb_flow_data dataloader, dataset = load_rb_flow_data( data_path=data/data_12e3.npz, batch_size=32, shuffle=True )

加载序列

python from dataloader import RBFlowDataset dataset = RBFlowDataset(data/data_12e3.npz) sequence = dataset.get_sequence(start_idx=0, length=10)

测试

• 包含全面的测试套件(test_functionality.py)
• 测试内容包括数据集加载、数据处理和可视化

可视化工具

• 包括创建流场各种可视化的工具

创建动画

python from visualize import RBFlowVisualizer viz = RBFlowVisualizer(data/data_12e3.npz) viz.create_velocity_animation(output_path=velocity_animation.gif, fps=30, skip=3)

引用

bibtex @article{rahman2024pretraining, title={Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs}, author={Rahman, Md Ashiqur and George, Robert Joseph and Elleithy, Mogab and Leibovici, Daniel and Li, Zongyi and Bonev, Boris and White, Colin and Berner, Julius and Yeh, Raymond A and Kossaifi, Jean and Azizzadenesheli, Kamyar and Anandkumar, Anima}, journal={Advances in Neural Information Processing Systems}, volume={37} year={2024} }

搜集汇总

数据集介绍

构建方式

Rayleigh-Bénard对流数据集通过高分辨率直接数值模拟方法构建，针对不同瑞利数（Ra）条件下的热对流现象进行精确捕捉。数据生成采用128×128的网格分辨率，涵盖了速度场（包括x和y分量）与温度场的时空分布，时间序列数据以.npz格式存储，确保了数据的完整性与高效访问。模拟过程严格遵循流体力学基本方程，为研究多物理场耦合问题提供了可靠的数值实验平台。

特点

该数据集的核心价值在于其高精度的多物理场耦合数据特性。包含瑞利数12,000和20,000两种典型工况，其中速度场分量动态范围分别达到±30量级，温度场呈现显著的非线性分布特征。每个案例包含500帧以上的时间序列数据，完整记录了对流结构的演化过程。数据采用标准化存储格式，每个.npz文件均附带统计元数据，便于量化分析流场脉动特性与热输运规律。

使用方法

使用者可通过Hugging Face Hub的专用API实现数据一键下载，配套的PyTorch数据加载器支持单帧提取、序列采样及批处理等操作模式。数据集加载器内置统计计算功能，可直接获取各物理场的极值、均值等特征参数。可视化工具包能生成速度矢量动画和温度场演变视频，辅助研究者直观理解复杂流动现象。测试脚本覆盖了数据完整性验证、边界条件检查等关键环节，确保科研应用的可靠性。

背景与挑战

背景概述

Rayleigh-Bénard对流数据集源于流体力学领域对热对流现象的深入研究，由Ashiqur Rahman等学者于2024年构建。该数据集通过高精度直接数值模拟，捕捉了不同瑞利数下流体速度场与温度场的时空演化规律，其128×128网格的精细分辨率为研究非线性偏微分方程和多物理场耦合问题提供了重要基准。作为物理信息神经网络算子预训练的关键资源，该数据集显著推进了复杂多物理场系统的数值模拟与机器学习方法融合研究。

当前挑战

该数据集主要解决热对流系统中多尺度涡旋结构与非线性动力学行为的建模挑战，其高分辨率特性对神经网络算子的时空特征提取能力提出严苛要求。数据构建过程中面临双重困难：数值模拟需精确处理瑞利数增大导致的边界层失稳问题，而数据标准化则需平衡不同物理量纲（速度场与温度场）的数值差异。此外，序列数据的长期依赖关系建模与三维流场重建仍是待突破的难点。

常用场景

经典使用场景

在流体动力学研究中，Rayleigh-Bénard对流数据集为理解热对流系统的非线性行为提供了关键数据支持。该数据集通过高分辨率数值模拟，捕捉了不同Rayleigh数下速度场和温度场的时空演化特征，成为研究流体失稳机制和湍流转变过程的经典案例。研究者可利用其精确的矢量场数据，深入分析对流涡旋的形成、发展和相互作用规律。

实际应用

在工程应用领域，该数据集支撑着大气环流模式验证、电子设备散热优化等关键技术研发。航空航天工业借助其高保真流场数据改进热防护系统设计，能源领域则利用其中的湍流混合特征提升地热开采效率。数据包含的瞬态演化信息为实时流动控制算法提供了训练样本。

衍生相关工作

基于该数据集衍生的经典工作包括Codomain Attention神经算子架构的开发，其论文被NeurIPS 2024收录。后续研究扩展出基于物理约束的深度学习框架，在《Journal of Fluid Mechanics》等顶级期刊形成系列成果，推动了数据驱动与第一性原理相结合的混合建模方法发展。