PIV dataset

该数据集用于训练神经网络进行密集粒子图像测速。每个数据项包含一对粒子图像（CNN输入）和相应的地面实况运动场（输出）。数据集包括多种流动物理，以增加数据多样性，如通过计算流体动力学模拟的简单案例和在线可用的流场数据。

This dataset is designed for training neural networks to perform dense particle image velocimetry. Each data entry comprises a pair of particle images (CNN input) and the corresponding ground truth motion field (output). The dataset encompasses a variety of flow physics to enhance data diversity, including simple cases simulated via computational fluid dynamics and flow field data available online.

原始信息汇总

数据集概述

数据集名称

PIV dataset for neural network training

数据集用途

用于训练执行密集粒子图像测速的神经网络。

数据集内容

• 数据项组成：每个数据项包含一对粒子图像（CNN输入）和相应的地面实况运动场（输出）。
• 文件示例：
  • PIV-genImagesdatauniformuniform_00001_img1.tif
  • PIV-genImagesdatauniformuniform_00001_img2.tif
  • PIV-genImagesdatauniformuniform_00001_flow.flo
• 训练-验证分割：
  • FlowData_train.list
  • FlowData_test.list

数据生成

• 粒子图像生成：
  • 粒子强度：满足高斯函数，参数包括峰值强度$I_{0}$、粒子直径$d_p$和位置$(x_0,y_0)$。
  • 参数范围：
    • 播种密度$ ho$：0.05 - 0.1 粒子/像素
    • 粒子直径$d_p$：1-4 像素
    • 峰值强度$I_{0}$：200-255 灰度值
    • 位置$(x_0,y_0)$：1-256 像素
  • 图像分辨率：256 * 256 像素

流运动

• 数据多样性：包括多种流运动，部分通过计算流体动力学（CFD）模拟，部分来自在线资源。

数据下载

• 百度云：
  • URL: https://pan.baidu.com/s/1GVVENe3NN0h2QKbiqS3cJA
  • 提取码: fljs
• Google Drive：
  • 链接1
  • 链接2

搜集汇总

数据集介绍

构建方式

该数据集的构建基于合成粒子图像和相应的真实运动场，旨在为神经网络训练提供密集粒子图像测速（PIV）的数据支持。合成粒子图像的生成遵循高斯函数分布，其中每个粒子的强度由其中心峰值强度、粒子直径和位置决定。参数如粒子密度、直径、峰值强度和位置均在特定范围内随机选取，确保图像的多样性和真实性。运动场的生成则结合了计算流体动力学（CFD）模拟和公开的流场数据，以增加数据集的多样性和复杂性。

特点

PIV数据集的显著特点在于其高度结构化和多样化的数据组成。每条数据包含一对粒子图像及其对应的真实运动场，适用于卷积神经网络（CNN）的输入和输出训练。图像分辨率为256x256像素，参数如粒子密度、直径和峰值强度在合理范围内随机变化，确保了数据集的广泛适用性和挑战性。此外，数据集包含了多种流体运动模式，从简单的CFD模拟到复杂的湍流和海洋流场，极大地丰富了训练数据的多样性。

使用方法

使用该数据集进行神经网络训练时，用户需首先下载数据集，并根据提供的训练和验证分割列表进行数据预处理。每对粒子图像和其对应的运动场作为神经网络的输入和输出，用户可根据具体需求调整网络结构和训练参数。为确保数据集的正确使用，建议用户在研究中引用相关文献，并遵守数据集的使用许可协议，避免商业用途。数据集的多样性和高质量使其适用于多种流体动力学研究和应用场景。

背景与挑战

背景概述

PIV数据集是由Cai, Zhou, Xu和Gao等研究人员于2019年创建，旨在训练卷积神经网络进行密集粒子图像测速（PIV）。该数据集的核心研究问题是通过神经网络模型准确估计粒子图像的运动场，从而推动流体动力学领域的研究进展。数据集的创建不仅为流体动力学研究提供了新的工具，还为深度学习在科学计算中的应用开辟了新的方向。

当前挑战

PIV数据集在构建过程中面临多项挑战。首先，生成符合高斯分布的合成粒子图像需要精确控制粒子密度、直径和峰值强度等参数，这增加了数据生成的复杂性。其次，数据集中包含多种流体运动模式，如计算流体动力学（CFD）模拟的简单案例和复杂的湍流模式，这要求数据集具备高度的多样性和代表性。此外，确保数据集的训练和验证集的划分合理，以提高模型的泛化能力，也是一项重要挑战。

常用场景

经典使用场景

在流体力学领域，PIV数据集被广泛用于训练卷积神经网络（CNN）以执行密集粒子图像测速（PIV）。该数据集的经典使用场景包括通过提供粒子图像对及其对应的地面真实运动场，训练神经网络以准确估计流体中的粒子运动。这种应用不仅提升了流体动力学分析的精度，还为复杂流体行为的模拟提供了强有力的工具。

实际应用

在实际应用中，PIV数据集被用于开发和优化流体动力学分析工具，广泛应用于航空航天、汽车工程、环境科学等领域。例如，在航空器设计中，通过使用该数据集训练的神经网络，可以更精确地模拟和预测飞行器周围的流场，从而优化设计，提高性能。此外，在环境监测中，该数据集也有助于更准确地分析水流和风场的动态变化。

衍生相关工作

基于PIV数据集，研究者们开发了多种先进的流体动力学分析方法和工具。例如，一些研究团队利用该数据集训练的神经网络模型，提出了新的流场估计算法，显著提高了流体模拟的精度和效率。此外，该数据集还被用于验证和改进现有的流体动力学模型，推动了相关领域的技术进步。