AirfRANS

用于研究二维不可压缩稳态雷诺平均纳维-斯托克斯方程在亚音速翼型和不同攻角下的数据集。

A dataset for studying two-dimensional incompressible steady Reynolds-Averaged Navier–Stokes equations for subsonic airfoils across various angles of attack.

搜集汇总

数据集介绍

构建方式

在计算流体动力学领域，高保真数据集的构建对于推动机器学习在物理系统中的应用至关重要。AirfRANS数据集专注于二维不可压缩稳态雷诺平均纳维-斯托克斯方程在亚音速条件下绕翼型的求解。该数据集的构建采用了基于NACA 4和5系列翼型的参数化设计空间，通过OpenFOAM中的blockMesh工具生成具有边界层精细网格的六面体C型网格，确保近壁面网格高度低至2微米以准确捕捉壁面剪切应力。利用k-ω SST湍流模型和SIMPLEC算法，在雷诺数200万至600万、攻角-5°至15°范围内执行了1000次稳态RANS模拟，涵盖了典型的亚音速飞行条件。模拟过程中采用严格的收敛准则，并借助ParaView进行后处理以提取速度、压力及湍流粘度场，同时计算了关键的升力和阻力系数。

特点

AirfRANS数据集的核心特点在于其高保真性与设计导向性。该数据集不仅提供了精细的流场数据，包括平均速度、压力及湍流粘度场，还重点关注了翼型表面的应力分布，引入了边界层可视化与力系数排名指标，以评估模型在预测关键物理信息时的准确性。数据集涵盖了多样化的翼型几何、雷诺数及攻角组合，模拟条件紧密贴合实际亚音速飞行场景，确保了数据的现实代表性。此外，数据集特别设计了四种机器学习任务——全数据、稀缺数据、雷诺数外推和攻角外推，旨在系统研究模型在不同泛化约束下的性能，为物理信息机器学习模型的开发与比较提供了标准化基准。

使用方法

使用AirfRANS数据集时，研究者首先需进行数据预处理，包括将模拟域裁剪至围绕翼型的矩形区域以减少计算复杂度，并对流场数据进行标准化处理。模型训练采用基于点云的几何深度学习框架，通过均匀采样构建局部半径图以处理非结构化网格数据，并设计包含体积损失与表面损失的复合目标函数，以平衡流场整体精度与翼型表面关键物理量的预测。评估协议不仅包括流场均方误差，更强调升阻力系数的相对误差与斯皮尔曼等级相关性，后者对于翼型优化设计尤为重要。数据集支持多种基线模型（如GraphSAGE、PointNet、Graph U-Net和MLP）的比较研究，并提供了完整的代码库与可视化工具，便于复现实验与探索新方法。

背景与挑战

背景概述

在计算流体动力学领域，高保真数值模拟对于研究湍流现象和优化空气动力学设计至关重要，但传统求解方法如雷诺平均纳维-斯托克斯方程往往计算成本高昂。为应对这一挑战，由索邦大学、法国国家科学研究中心及Extrality等机构的研究团队于2022年共同构建了AirfRANS数据集。该数据集聚焦于二维不可压缩稳态RANS方程在亚音速翼型绕流问题中的应用，旨在为机器学习模型提供高质量的基准数据，以加速流体动力学中的代理模型开发与形状优化进程。其核心研究问题在于通过数据驱动方法高效预测流场分布与气动力系数，从而降低传统数值模拟的计算负担，对航空航天工程与物理信息机器学习领域具有显著的推动作用。

当前挑战

AirfRANS数据集致力于解决翼型绕流中流场与气动力系数的高精度预测问题，其核心挑战在于如何构建能够准确捕捉边界层复杂流动特征的代理模型，尤其是在数据稀缺或外推场景下保持预测稳定性。在数据集构建过程中，研究团队面临多重技术难题：首先，生成高保真模拟需精细网格划分以控制数值耗散，导致单次仿真耗时长达数千CPU小时；其次，为平衡计算效率与精度，需设计兼顾边界层分辨率与全局流场表征的网格生成策略；此外，数据集涵盖翼型参数、雷诺数与攻角的广泛变化范围，要求机器学习模型具备强大的泛化能力以应对多变量耦合下的非线性流动行为。

常用场景

经典使用场景

在计算流体动力学领域，AirfRANS数据集为研究二维不可压缩稳态雷诺平均纳维-斯托克斯方程提供了高保真基准。该数据集围绕NACA翼型在亚音速工况下生成，涵盖了不同攻角与雷诺数的流动场景，经典应用场景集中于构建数据驱动的代理模型，以替代传统计算流体动力学中昂贵且耗时的数值模拟。通过提供精细网格下的速度场、压力场及湍流粘度场，该数据集支持几何深度学习模型直接在非结构化网格上进行训练，从而高效预测翼型表面的升力与阻力系数，为空气动力学优化设计奠定基础。

实际应用

在实际工程应用中，AirfRANS数据集为航空航天领域的翼型设计与优化提供了高效工具。通过训练代理模型，工程师能够快速预测不同翼型在亚音速飞行条件下的气动性能，显著缩短设计周期并降低原型测试成本。该数据集支持在数据稀缺和工况外推等现实约束下进行模型泛化评估，例如在雷诺数或攻角超出训练范围时仍保持预测稳定性。此外，其提供的边界层可视化与表面应力度量，有助于深入理解湍流边界层行为，为飞行器翼型的气动改进提供关键见解。

衍生相关工作

基于AirfRANS数据集，多项经典研究工作得以衍生，主要集中在几何深度学习与物理信息机器学习框架的拓展。例如，研究团队利用图神经网络、PointNet及Graph U-Net等模型，在完整数据、稀缺数据、雷诺数外推和攻角外推四种任务设置下建立了性能基准。这些工作不仅验证了非结构化数据处理方法在计算流体动力学中的有效性，还催生了针对力系数秩相关优化的新型损失函数设计。此外，该数据集促进了神经算子与物理信息神经网络在湍流模拟中的融合应用，为后续高维复杂流动的机器学习建模开辟了新方向。