Learning_Non-Ideal_Single_Vortex_Flows

该数据集名为Learning_Non-Ideal_Single_Vortex_Flows，由香港城市大学机械工程系创建，包含单个非理想涡流在不同雷诺数下的流动情况，用于训练和验证差分涡粒法在模拟非理想单个涡流方面的性能。数据集通过数值模拟生成，具体条数未提及。

The dataset, named Learning_Non-Ideal_Single_Vortex_Flows, was created by the Department of Mechanical Engineering, City University of Hong Kong. It contains flow cases of single non-ideal vortex under various Reynolds numbers, and is used for training and validating the performance of the differential vortex particle method in simulating single non-ideal vortex flows. The dataset is generated via numerical simulations, and the exact number of samples is not specified.

原始信息汇总

数据集概述

数据集名称

Learning Non-Ideal Single Vortex Flows

数据集内容

该数据集包含用于模拟非理想单涡流（Non-Ideal Single Vortex Flows）的代码和配置文件，支持不同雷诺数（Re）条件下的涡流模拟。

环境配置

• 支持操作系统：Windows 10、Ubuntu 20.04
• 安装方式：通过conda安装 bash conda env create -f environment.yml conda activate vortex_env

数据集结构

配置文件

• configs/lamb_oseen_vortex_Re=10.txt
• configs/lamb_oseen_vortex_Re=100.txt
• configs/lamb_oseen_vortex_Re=1000.txt
• configs/lamb_oseen_vortex_Re=1000_omega=1.txt
• configs/multi_vortices_Re=1000_1_2.txt

结果展示

• gifs/lamb_oseen_vortex_Re=10.gif
• gifs/lamb_oseen_vortex_Re=100.gif
• gifs/lamb_oseen_vortex_Re=1000.gif
• gifs/lamb_oseen_vortex_Re=1000_omega=1.gif
• gifs/multi_vortices.gif

使用方法

预训练

bash python train.py --config [配置文件路径] --run_pretrain True

训练

bash python train.py --config [配置文件路径]

自定义视频输入

• 输入格式：Numpy数组，形状为[num_frames], 256, 256, 3，RGB像素值范围为0.0到1.0。
• 路径：data/[your_name_here]/imgs.npy
• 边界条件：需提供形状为256, 256的Numpy数组，表示边界的有符号距离场，路径为data/[your_name_here]/sdf.npy。

参考

• 原始代码库：https://github.com/yitongdeng-projects/learning_vortex_dynamics_code

搜集汇总

数据集介绍

构建方式

在流体力学领域，非理想单涡流的研究对于理解复杂流动现象具有重要意义。本数据集基于可微分涡粒子方法（DVPM），通过扩展传统方法至包含粘性效应和非保守体积力的非理想条件，构建了一个高精度的涡流模拟数据集。研究团队以Lamb-Oseen涡流作为基准案例，该涡流具有源自Navier-Stokes方程的精确解析解，为模型训练和验证提供了可靠的基准数据。数据集的构建过程包括在不同雷诺数条件下进行系统模拟，确保覆盖广泛的流动状态。通过高分辨率网格（1024×1024）和精确的数值方法，数据集捕捉了涡流的关键动力学特征，为流体力学研究提供了丰富的数据支持。

特点

该数据集的核心特点在于其高度专业化的设计和对非理想流动条件的全面覆盖。首先，数据集以Lamb-Oseen涡流为基础，提供了从低雷诺数（Re=10）到高雷诺数（Re=1000）的多尺度流动数据，能够满足不同研究需求。其次，数据集不仅包含理想流动条件，还特别关注了粘性效应和非保守体积力（如科里奥利力）对涡流的影响，填补了现有研究在非理想条件下的数据空白。此外，数据集通过精确的数值模拟和高分辨率采样，确保了数据的准确性和可靠性，为机器学习模型提供了优质的训练素材。

使用方法

该数据集的使用方法灵活多样，适用于流体力学和机器学习领域的交叉研究。研究人员可以通过GitHub公开的源代码和数据，复现论文中的实验结果或开展新的研究。数据集支持多种应用场景，包括但不限于涡流动力学分析、流体模拟算法验证以及机器学习模型训练。具体而言，用户可以利用数据集中的时空序列数据，训练和测试基于物理的神经网络（PINN）、卷积神经网络（CNN）或可微分涡粒子方法（DVPM）等模型。此外，数据集提供的精确解析解和数值模拟结果，可作为基准用于评估不同算法的性能。通过合理利用该数据集，研究人员能够深入探索非理想涡流的复杂动力学行为，推动流体力学和计算方法的创新发展。

背景与挑战

背景概述

Learning_Non-Ideal_Single_Vortex_Flows数据集由香港城市大学和北京航空航天大学的研究团队于2025年创建，旨在扩展可微分涡粒子方法（DVPM）的应用范围，使其能够模拟更真实的非理想涡流条件，包括粘性流和非保守体积力作用下的流动。该数据集以Lamb-Oseen涡流作为基准案例，因其具有Navier-Stokes方程的精确解析解，为模型训练和验证提供了可靠的基础数据。该研究通过在不同雷诺数下的严格评估，证明了DVPM在模拟非理想单涡流方面的优越性，为流体动力学领域的深度学习应用提供了新的研究方向。

当前挑战

该数据集面临的主要挑战包括：1) 领域问题方面，如何准确模拟复杂涡流动力学，特别是在粘性和非保守力共同作用下的流动行为；2) 构建过程中，需要克服传统涡粒子方法模拟精度不足的问题，确保训练数据的可靠性。此外，扩展DVPM至多涡流系统时，缺乏对涡流相互作用物理规律的充分考虑，导致预测精度受限。未来还需解决流动转变、湍流及三维流动配置等更复杂的流体现象模拟挑战。

常用场景

经典使用场景

在流体力学研究中，Learning_Non-Ideal_Single_Vortex_Flows数据集被广泛应用于非理想单涡流模拟的验证与优化。该数据集以Lamb-Oseen涡流为基准案例，通过其精确的Navier-Stokes方程解析解，为深度学习模型提供了可靠的训练与验证基础。经典使用场景包括在不同雷诺数条件下评估模型的预测精度，以及探究粘性效应和非保守体积力对涡流动力学的影响。

解决学术问题

该数据集有效解决了流体力学中非理想涡流模拟的若干关键问题。通过提供包含粘性效应和非保守体积力的真实涡流数据，弥补了传统方法在复杂流动条件下的局限性。其重要意义在于为可微分涡粒子方法（DVPM）提供了验证平台，证明其在预测精度上显著优于传统卷积神经网络和物理信息神经网络，推动了流体动力学与深度学习交叉领域的发展。

衍生相关工作

基于该数据集衍生的经典工作主要集中在流体力学与深度学习的交叉领域。Deng等人提出的可微分涡粒子方法（DVPM）通过整合神经网络与传统流体力学方法，显著提升了涡流模拟的精度。后续研究进一步扩展了该方法的应用范围，包括多涡流系统模拟、三维流动预测等方向，推动了计算流体动力学方法的革新。