Emmi-Wing

该数据集是论文《Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes》中提出的，用于神经代理模型在高速湍流跨音速区域的研究。它包含翼型几何和流动模拟数据，可用于计算阻力和升力系数，并支持可视化分析。

This dataset was introduced in the paper "Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes", and is tailored for research on neural surrogate models in high-speed turbulent transonic flow regimes. It encompasses airfoil geometry and flow simulation data, enabling the calculation of drag and lift coefficients, and supports visual analysis.

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，高保真度数值模拟数据的获取对于开发高效代理模型至关重要。Emmi-Wing数据集的构建依托于OpenFOAM框架，通过系统化参数扫描生成。研究团队采用参数化几何生成函数，针对翼型截面、弦长、展长、锥度比和后掠角等关键设计变量进行组合，生成对应的STL几何文件。随后，利用snappyHexMesh工具进行高质量网格划分，并配置高湍流度跨音速流动的边界条件，最终执行大规模并行计算流体动力学仿真，从而积累涵盖广泛流动状态的物理场数据。

特点

该数据集的核心特征在于其专注于跨音速与高湍流度这一极具挑战性的流体力学区域。数据内容不仅包含完整的流场物理量分布，还提供了经过后处理的升力系数与阻力系数等关键气动性能指标。数据集经过精心设计，提供了多种数据划分方案，例如完整数据集、参数扫描子集及其精简版本，以适应不同计算资源与实验需求。此外，数据集与Hugging Face平台集成，便于研究者便捷获取与使用，其结构化存储格式也为后续的机器学习模型训练与评估奠定了坚实基础。

使用方法

为便于研究者利用该数据集，项目提供了简洁的Python API。用户首先需从指定链接下载完整数据或从Hugging Face仓库获取子集，并解压至项目的数据目录。通过运行`inspect_data.py`脚本，可以并行加载所有仿真案例，自动计算升阻力系数并生成其分布的可视化图表。对于定制化研究，用户可参考`create_splits.py`复现论文中的实验数据划分。若需基于原始仿真模板进行扩展，则可依据指南修改几何生成参数、更新网格字典并设置流速边界条件，以生成新的仿真案例。

背景与挑战

背景概述

Emmi-Wing数据集于2025年由EmmiAI研究团队在NeurIPS 2025物理科学机器学习研讨会上发布，旨在推动神经代理模型在高度湍流跨音速流场模拟中的应用。该数据集聚焦于航空工程中的气动外形优化核心问题，通过高保真计算流体动力学模拟，系统采集了不同翼型几何参数与流动条件下的流场数据。其构建为开发高效、精准的流场替代模型提供了关键数据基础，显著降低了传统数值模拟的计算成本，对加速飞行器设计与空气动力学研究具有重要推动作用。

当前挑战

该数据集致力于解决跨音速湍流流场中气动力系数预测的复杂非线性建模挑战，涉及激波、边界层分离等强物理耦合现象的高精度捕捉。在构建过程中，面临高维参数空间下大规模高分辨率模拟的巨量计算资源消耗，以及多物理场数据（如速度、压力场）的标准化与对齐难题。同时，确保几何变体与流动条件组合的多样性与代表性，以支撑神经代理模型的泛化能力，亦是数据集构建的关键挑战。

常用场景

经典使用场景

在计算流体力学领域，Emmi-Wing数据集为研究跨音速高湍流状态下机翼的气动特性提供了关键数据支撑。该数据集通过高保真度的数值模拟，捕获了复杂流动现象，如激波与边界层相互作用，为开发神经代理模型提供了标准化训练与验证基准。研究人员可利用其结构化参数扫描数据，系统评估模型在极端流动条件下的预测精度与泛化能力，从而推动流体力学仿真方法的智能化革新。

衍生相关工作

围绕Emmi-Wing数据集，学术界已衍生出一系列经典研究工作，特别是在神经代理模型与物理信息机器学习交叉领域。例如，基于该数据集的基准测试催生了多种针对跨音速流动的图神经网络与卷积架构，这些模型在保持预测精度的同时实现了计算效率的飞跃。相关成果进一步拓展至不确定性量化、多保真度建模以及生成式设计等方向，形成了从数据生成到模型应用的全链条研究生态，持续推动着计算物理与人工智能的深度融合。

数据集最近研究

最新研究方向

在计算流体力学领域，高湍流跨音速流动的模拟一直是极具挑战性的前沿课题。Emmi-Wing数据集的发布，为基于神经代理模型的空气动力学优化研究注入了新的活力。该数据集聚焦于跨音速及高湍流状态下机翼的气动特性，其最新研究方向主要围绕利用深度学习技术构建高效、高精度的神经代理模型，以替代传统计算成本高昂的数值模拟方法。这一趋势紧密关联于当前人工智能赋能科学发现的热点，旨在突破传统CFD模拟在复杂非线性流动场景下的效率瓶颈，为飞行器设计、气动外形优化等领域提供快速预测工具，对加速航空航天领域的研发进程具有显著的推动作用。