EAGLE

EAGLE是一个大规模的数据集，包含约110万个2D网格，这些网格来自不稳定流体动力学模拟，由移动流源与非线性场景结构相互作用产生，包含600个不同场景，分为三种类型。该数据集用于未来压力和速度预测，引入了一种新的网格变换器，利用节点聚类、图形池化和全局注意力来学习远距离数据点之间的长程依赖关系。

EAGLE is a large-scale dataset comprising approximately 1.1 million 2D meshes derived from unstable fluid dynamics simulations. These meshes are generated through the interaction of moving flow sources with nonlinear scene structures, encompassing 600 distinct scenarios categorized into three types. The dataset is utilized for future pressure and velocity predictions, introducing a novel mesh transformer that leverages node clustering, graph pooling, and global attention mechanisms to learn long-range dependencies among distant data points.

原始信息汇总

数据集概述

数据集名称

• EAGLE：大规模学习湍流流体动力学的网格变换器

数据集内容

• 包含约1.1百万个2D网格，这些网格来自不稳定流体动力学模拟，由移动流源与非线性场景结构交互产生。
• 数据集由600个不同场景组成，分为三种类型。

数据集存储

• 模拟数据存储于单一的numpy档案文件（.npz），包含节点2D位置、类型、速度和压力。
• 边数据存储在另一个文件（triangles.npy）中，作为点的三元组。

数据集下载

• 可通过以下链接下载数据集：EAGLE数据集下载链接

数据集文件校验和

• eagle_clusters.tar.gz: f1bbc1dc22b0fbc57a5f8d0243d85f6471c43585fb0ecc7409de19996d3de12c
• spline.tar.gz: f73cb9a443011646fb944e0a634a0d91c20b3d71a8b4d89d55486f9e99bdca78
• step.tar.gz: ac04d3efb539a80d8538fb8214228652b482ab149fc7cc9ecf0b6d119e3b1be7
• triangular.tar.gz: 59a2ae96ca5ade7d3772e58b302c4132e1ee003ac239b7e38973ceb480a979e6

数据集使用

• 用于训练网格变换器模块，可通过train_graphvit.py脚本进行训练。
• 提供集群预计算脚本clusterize_eagle.py，配置参数包括几何类型和飞行方向。
• 提供可视化脚本export_video.py，用于生成数据集的视频。

数据集引用

@inproceedings{janny2023eagle, title = "EAGLE: Large-scale Learning of Turbulent Fluid Dynamics with Mesh Transformers", author = {Steeven Janny and Aurélien Benetteau and Nicolas Thome and Madiha Nadri and Julie Digne and Christian Wolf}, booktitle = "International Conference on Learning Representations (ICLR)", year = "2023" }

搜集汇总

数据集介绍

构建方式

EAGLE数据集的构建基于大规模流体动力学模拟，通过数值模型求解Navier-Stokes方程生成。该数据集包含约110万张二维网格，模拟了由移动流源与非线性场景结构相互作用引起的不稳定流体动力学现象。这些模拟涵盖了600个不同场景，分为三种类型。数据以numpy存档文件形式存储，包含节点位置、类型、速度和压力信息，边信息则以点三元组形式存储于另一文件中。

特点

EAGLE数据集的特点在于其复杂性和规模。它不仅模拟了静态场景中的流体动力学，还引入了移动流源与非线性场景的交互，极大地提升了数据集的挑战性。数据集中的网格数据经过精心设计，能够有效支持未来压力和速度的预测任务。此外，EAGLE还提供了多种几何类型和飞行方向的聚类配置，便于并行计算和高效处理。

使用方法

使用EAGLE数据集时，首先需通过提供的脚本进行数据加载和预处理。训练过程中，用户可通过指定参数如学习率、训练步长和聚类大小等，灵活调整模型训练策略。数据集支持使用mesh-transformer模块进行训练，该模块通过节点聚类、图池化和全局注意力机制，能够在单次迭代中学习远距离数据点之间的依赖关系。此外，用户还可利用提供的脚本生成可视化视频，直观展示流体动力学模拟结果。

背景与挑战

背景概述

EAGLE数据集由Steeven Janny等人于2023年提出，旨在解决湍流流体动力学中的大规模学习问题。该数据集包含约110万个二维网格，这些网格源自非稳态流体动力学的模拟，涉及移动流源与非线性场景结构的相互作用。EAGLE的创建标志着在复杂流体动力学模拟领域的一次重要突破，特别是在利用机器学习方法替代传统数值模型方面。该数据集不仅为研究者提供了一个新的基准，还推动了图神经网络（GNN）及其变体在流体动力学中的应用，展示了其在处理长程依赖关系上的优势。

当前挑战

EAGLE数据集在构建和应用过程中面临多重挑战。首先，湍流流体动力学的模拟本身具有极高的计算复杂度，传统的数值模型求解Navier-Stokes方程需要大量计算资源，即便在高端硬件上也耗时较长。其次，数据集的构建需要生成大量复杂的二维网格，这些网格不仅要准确反映流体动力学行为，还需包含多样化的场景和流源运动模式。此外，EAGLE数据集的应用挑战在于如何有效地利用机器学习模型进行未来压力与速度的预测，特别是在处理长程依赖关系时，现有的图神经网络方法往往需要多次迭代，而EAGLE提出的网格变压器则试图通过节点聚类、图池化和全局注意力机制来解决这一问题。

常用场景

经典使用场景

EAGLE数据集在湍流流体动力学研究中具有重要地位，其经典使用场景包括通过大规模二维网格模拟非稳态流体动力学行为。研究人员利用该数据集训练和评估基于网格变换器的模型，以预测流体在复杂场景中的压力和速度变化。这一场景特别适用于研究流体与非线性结构的相互作用，为流体动力学的数值模拟提供了新的视角。

解决学术问题

EAGLE数据集解决了传统数值模拟方法在计算复杂性和时间消耗上的瓶颈问题。通过引入基于机器学习的网格变换器模型，该数据集显著提升了流体动力学预测的效率和精度。它不仅克服了传统图神经网络在长程依赖关系建模上的局限性，还为处理大规模动态场景提供了新的解决方案，推动了流体动力学与人工智能的交叉研究。

衍生相关工作

EAGLE数据集衍生了一系列经典研究工作，包括基于网格变换器的流体动力学预测模型及其优化算法。相关研究不仅验证了该数据集在复杂场景中的有效性，还推动了图神经网络和变换器模型在流体动力学领域的应用。此外，EAGLE为后续研究提供了基准数据集，促进了流体动力学与机器学习领域的深度融合，为未来的跨学科研究奠定了基础。