Emmi-Wing

Emmi-Wing数据集是一个用于评估最佳神经代理模型AB-UPT的参数扫描子集，包含70个案例。这些案例包含了翼型设计的参数、表面和体积的位置和压力、速度和涡量等信息，以及用于计算阻力和升力系数的必要数据。数据集还包括了翼型的表面网格文件和可能存在数值瑕疵的案例列表。

原始信息汇总

Emmi-Wing 数据集概述

数据集基本信息

• 许可证: CC-BY-NC-4.0
• 研究领域: 计算流体动力学、空气动力学、模拟、CFD、神经代理模型、跨音速、3D
• 任务类别: 其他

数据集内容

该数据集来源于论文《Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes》，在NeurIPS 2025物理科学机器学习研讨会中提出。

数据规模与结构

• 包含70个压缩案例，存储在scans_reduced.zip文件中
• 每个案例采用以下目录结构：
  • run_X/design_parameters.pt
  • run_X/surface_position.pt
  • run_X/surface_pressure.pt
  • run_X/surface_wall_shear_stress.pt
  • run_X/volume_position.pt
  • run_X/volume_pressure.pt
  • run_X/volume_velocity.pt
  • run_X/volume_vorticity.pt
  • run_X/cell_areas.npy
  • run_X/cell_centers.npy
  • run_X/cell_normals.npy
  • run_X/wing.stl

文件类型说明

• PyTorch张量文件：包含位置和场值信息
• NumPy文件：包含计算阻力和升力系数所需信息
• STL文件：包含每个机翼的表面网格

数据质量

• 使用最佳神经代理模型进行质量控制
• 提供erroneous_cases.npy文件标识存在数值伪影的案例
• 这些伪影不影响神经代理模型的训练性能

完整数据集获取

完整数据集下载地址：https://data.emmi.ai/s/qTgKFQCRNnFTgXN

使用资源

GitHub代码库：https://github.com/Emmi-AI/Emmi-Wing

引用信息

bibtex @inproceedings{ paischer2025going, title={Going with the Speed of Sound: Pushing Neural Surrogates into Transonic and Highly Turbulent Regimes}, author={Anonymous}, booktitle={Machine Learning and the Physical Sciences Workshop @ NeurIPS 2025}, year={2025}, url={https://openreview.net/forum?id=36Tpmdy1Cu} }

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，Emmi-Wing数据集通过高精度数值模拟方法构建，涵盖70组跨音速湍流工况的完整参数扫描。该数据集采用结构化存储方案，每个工况独立封装为包含翼型几何参数、表面压力分布、体积速度场及涡量场等多物理量的标准化文件，并通过神经代理模型进行数据质量校验，有效识别并标注存在数值伪影的异常工况。

特点

该数据集的核心价值在于其针对高湍流跨音速流场的专业覆盖，包含表面与体积场的多维度物理量数据。独特之处在于集成几何参数文件与网格拓扑信息，支持气动力系数的高效计算。数据集特别提供经过质量验证的异常工况清单，既保留真实数值模拟的物理特性，又为神经代理模型训练提供可靠的异常检测基准。

使用方法

研究者可通过解压扫描文件包获取标准化数据层级结构，利用PyTorch与NumPy库直接加载张量格式的物理场数据。配套的GitHub仓库提供数据加载与可视化示例代码，支持快速构建神经代理模型的训练流程。用户可结合STL网格文件实现流场三维重构，或基于单元面积数据开展气动性能分析。

背景与挑战

背景概述

在计算流体力学与空气动力学领域，高湍流跨音速流动的数值模拟长期面临计算复杂度与精度平衡的难题。Emmi-Wing数据集由Emmi-AI研究团队于2025年构建，作为NeurIPS物理科学研讨会的重要成果，该数据集通过系统化采集三维机翼在跨音速工况下的流场数据，旨在推动神经代理模型在极端流体动力学场景中的应用边界。其核心研究聚焦于突破传统计算流体动力学方法的局限性，为发展高保真度流场预测模型提供关键数据支撑，对航空航天领域的数字化设计范式产生深远影响。

当前挑战

构建过程中面临高维参数空间采样与数值伪影消除的双重挑战，需在复杂边界条件下保持流场数据的物理一致性。领域应用层面，该数据集致力于解决跨音速湍流场中非线性物理现象的可计算表征问题，要求神经代理模型既能捕捉激波边界层相互作用等细微特征，又需克服传统CFD模拟对计算资源的过度依赖。数据质量控制环节通过异常检测算法识别数值伪影，但如何在不损失物理真实性的前提下实现数据平滑处理，仍是当前研究的核心难点。

常用场景

经典使用场景

在计算流体动力学领域，Emmi-Wing数据集为研究跨音速湍流现象提供了关键支撑。该数据集通过70组三维机翼参数扫描，系统收录了表面压力、壁面剪切应力及体积速度场等核心物理量，成为构建神经代理模型的基准测试平台。其结构化存储的流场数据使研究人员能够高效训练深度学习模型，模拟高湍流状态下空气动力学的非线性特征。

解决学术问题

该数据集有效解决了跨音速流场中数值模拟计算成本高昂的学术难题。通过提供经过质量控制的仿真数据，显著降低了流体力学研究中全阶模拟的重复计算需求。其蕴含的复杂激波-边界层相互作用案例，为验证数据驱动建模方法在高速流动中的泛化能力建立了新标准，推动了物理启发的机器学习理论发展。

衍生相关工作

该数据集催生了多项突破性研究，其中AB-UPT神经代理模型通过融合物理约束与深度学习，实现了对强湍流场的高精度预测。后续研究进一步拓展了数据同化技术在流场重构中的应用，衍生出基于几何编码的生成式模型等创新方法。这些工作共同推动了物理信息神经网络在航空航天领域的工程化落地。