ShapeNetCar_test

这是一个基于计算流体动力学(CFD)模拟的物理学习数据集，包含网格坐标和压力等物理信息。数据集分为训练集和测试集，适用于图机器学习任务，特别关注物理学习和几何学习。

原始信息汇总

ShapeNetCar_test 数据集概述

数据集基本信息

• 许可证: CC-BY-4.0
• 任务类别: 图机器学习
• 标签: 物理学习、几何学习
• 所有者: NeuralOperator (https://zenodo.org/records/13993629)

数据特征

数据集包含以下特征字段：

• Base_2_3/Zone/Elements_TRI_3/ElementConnectivity (int64列表)
• Base_2_3/Zone/GridCoordinates/CoordinateX (float32列表)
• Base_2_3/Zone/GridCoordinates/CoordinateY (float32列表)
• Base_2_3/Zone/GridCoordinates/CoordinateZ (float32列表)
• Base_2_3/Zone/PointData/pressure (float32列表)

数据划分

• 训练集: 500个样本，114,714,000字节
• 测试集: 111个样本，25,466,508字节

存储信息

• 下载大小: 59,083,841字节
• 数据集大小: 140,180,508字节
• 存储后端: hf_datasets

数据生产信息

• 物理领域: 计算流体动力学(CFD)
• 数据类型: 模拟数据
• 处理说明: 转换为PLAID格式以实现标准化访问，数据内容无更改

技术信息

• PLAID版本: 0.1.11.dev21+g94f13b9c8
• 配置文件: 默认配置，数据文件路径为data/train-和data/test-

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，ShapeNetCar_test数据集通过高精度数值模拟构建而成，采用计算流体动力学方法对汽车外形进行空气动力学分析。数据生成过程基于标准化CFD仿真流程，将原始模拟结果转换为PLAID格式以保障数据结构统一性，完整保留了网格坐标、单元连接性和压力场等物理量。该构建方式确保了数据在几何学习与物理建模应用中的可靠性和可复现性，为复杂流场分析提供了结构化数据基础。

特点

本数据集囊括了611个三维汽车外形的流场仿真样本，其中训练集500例、测试集111例，数据总量达140MB。每个样本包含四面体网格的几何连接关系、三维空间坐标分布以及表面压力场数据，形成了完整的流固耦合表征体系。数据采用分层存储结构，通过CGNS标准规范组织物理场变量，支持对复杂几何形变与流体相互作用的多尺度建模，为物理信息神经网络提供了理想的多模态训练素材。

使用方法

通过Plaid库与HuggingFace数据集的桥接接口，用户可便捷加载并重构样本数据。使用load_dataset函数初始化数据容器后，结合huggingface_bridge模块将扁平化数据恢复为结构化网格对象。通过problem_definition配置文件指定输入输出特征路径，利用get_feature_by_path方法提取特定时空维度的物理场变量，实现端到端的流场预测模型训练与验证流程。

背景与挑战

背景概述

ShapeNetCar_test数据集作为计算流体力学与几何学习交叉领域的重要资源，由NeuralOperator团队于2024年构建，基于CC-BY-4.0协议开放共享。该数据集通过高精度CFD仿真模拟汽车外形在流体场中的物理特性，核心研究聚焦于三维几何结构与流体动力学参数的关联建模。其包含611组带标注的网格数据，涵盖压力分布、空间坐标等多维特征，为物理信息神经网络和几何深度学习提供了标准化基准，显著推进了自动驾驶与流体仿真领域的可解释性研究。

当前挑战

该数据集需解决三维非结构化网格中流体动力学预测的固有难题，包括湍流边界层建模的数值不稳定性和复杂几何拓扑下的特征提取瓶颈。构建过程中面临多物理场数据对齐的挑战，如CFD仿真结果与网格顶点的精确映射，以及海量点云数据的存储优化。此外，PLAID格式转换需保持原始数据的物理一致性，避免在坐标转换与特征重构过程中引入数值误差，这对跨平台数据互操作性提出了严格要求。

常用场景

经典使用场景

在计算流体力学与几何学习领域，ShapeNetCar_test数据集作为标准化基准，广泛应用于三维网格模型的物理场仿真分析。其核心价值在于提供结构化汽车外形数据及对应压力分布，支持研究者系统评估神经网络在复杂几何空间中的泛化能力。通过整合网格坐标与物理属性，该数据集为几何深度学习模型提供了端到端的训练与验证框架，显著推进了三维形状表征与物理规律耦合的研究进程。

实际应用

在工业设计领域，该数据集为汽车空气动力学优化提供了关键数据支撑。工程师可基于其提供的压力场分布数据，快速评估不同车型外形的气动性能。航空航天领域同样受益于该数据集的高精度流场仿真，通过迁移学习技术将汽车外形流场特征应用于翼型设计，显著缩短了传统风洞试验的研发周期，实现了数字化设计流程的智能化升级。

衍生相关工作

基于该数据集衍生的经典工作包括神经算子架构在非均匀网格上的拓展研究，其中Fourier神经算子和几何图神经网络成为处理该类数据的代表性方法。多项研究通过引入等变神经网络结构，显著提升了三维流场预测的精度与效率。这些工作共同构建了物理启发的机器学习范式，为复杂几何场景下的科学计算问题提供了新的解决方案路径。