2D_SDBA_SSOO

该数据集捕捉了在空气中受到外部冲击波的二维圆柱形液滴的时间演化行为。与冲击波的相互作用导致两种不同的破碎模式，即SIE和RTP，具体取决于韦伯数。本研究调查了在南北壁对称边界条件下的情景。数据集包含300条轨迹，训练-测试分割比为0.8 - 0.2，每条轨迹有101个时间步长。模拟结束时间为91微秒至1240微秒（取决于初始条件），保存间隔为0.91微秒至12.40微秒。数据集包含多个字段，如混合密度、水密度、空气密度、压力、速度X、速度Y和水的体积分数。模拟分辨率为1024x512（经过裁剪和下采样），数据集分辨率为512x512和256x256。网格类型为笛卡尔均匀网格。初始条件为液滴与周围预冲击环境处于平衡状态。边界条件为北和南对称，东和西开放。条件参数包括冲击马赫数（1.2 - 3.2）、韦伯数（10 - 30及10k - 30k）、液滴数量（1 - 5）、液滴半径（2mm - 3.5mm）和液滴中心位置（在域内随机）。该数据集适用于研究冲击诱导液滴破碎、界面捕获、波动力学、液滴碎片追踪以及多液滴相互作用等科学机器学习任务。

This dataset captures the temporal evolution of 2D cylindrical liquid droplets subjected to external shock waves in air. The interaction between the droplets and shock waves induces two distinct breakup modes, namely SIE and RTP, which depend on the Weber number. This study investigates scenarios with symmetric boundary conditions on the north and south walls. The dataset contains 300 trajectories, with a train-test split ratio of 0.8:0.2, and each trajectory has 101 time steps. The simulation end times range from 91 μs to 1240 μs (depending on initial conditions), with a saving interval of 0.91 μs to 12.40 μs. The dataset includes multiple fields, such as mixture density, water density, air density, pressure, velocity X, velocity Y, and water volume fraction. The simulation resolution is 1024×512 (after cropping and downsampling), while the dataset resolutions are 512×512 and 256×256. The grid adopts uniform Cartesian grids. The initial condition is that the liquid droplets are in equilibrium with the surrounding pre-shock environment. The boundary conditions are symmetric on the north and south, and open on the east and west. The conditional parameters include shock Mach number (1.2–3.2), Weber number (10–30 and 10k–30k), number of liquid droplets (1–5), droplet radius (2 mm–3.5 mm), and droplet center position (random within the domain). This dataset is applicable to scientific machine learning tasks such as shock-induced droplet breakup, interface trapping, wave dynamics, droplet fragment tracking, and multi-droplet interactions.

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，高保真数值模拟是研究复杂多相流动现象的重要手段。本数据集通过求解二维可压缩欧拉方程，利用ALPACA求解器对空气中外激波诱导的圆柱形液滴破碎过程进行了系统性模拟。模拟采用了笛卡尔均匀网格，初始条件设定液滴与周围预激波环境处于平衡状态，边界条件在南北方向采用对称处理，东西方向为开放边界。数据集涵盖了300条轨迹，每条轨迹包含101个时间步，模拟时间范围从91微秒至1240微秒，保存间隔根据初始条件动态调整。关键参数如激波马赫数、韦伯数、液滴数量、半径及中心位置均在一定范围内变化，确保了数据集的多样性与代表性。

特点

该数据集在激波与多相流相互作用研究中具有显著特色，其核心在于捕捉了两种不同的液滴破碎模式——表面侵蚀破碎与径向拉伸破碎，这取决于韦伯数的变化范围。数据以高分辨率呈现，原始模拟分辨率为1024x512，经裁剪与下采样后提供512x512及256x256两种版本，便于不同计算需求的应用。物理场信息全面，涵盖了混合密度、水密度、空气密度、压力、速度分量及水体积分数等多个关键变量。此外，数据集通过对称边界条件的设定，简化了流动的几何复杂性，同时保留了激波动力学、界面捕捉及液滴碎片追踪等核心物理挑战，为替代模型构建提供了丰富的训练与验证场景。

使用方法

为促进科学机器学习在计算流体力学中的应用，本数据集支持灵活的数据获取方式。用户可通过Hugging Face命令行工具直接下载完整数据集，或利用Python库中的snapshot_download函数选择性下载特定分辨率（如256x256）的子集。数据已按照0.8:0.2的比例划分为训练集与测试集，便于直接用于模型训练与性能评估。在应用时，研究者可基于metadata.json文件中的详细元数据，结合激波马赫数、韦伯数等条件参数，构建数据驱动的代理模型，以高效预测液滴破碎模式、界面演化及波系相互作用等复杂物理过程，从而加速多相流系统的设计与分析。

背景与挑战

背景概述

在计算流体力学领域，激波诱导液滴破碎现象的研究对于理解多相可压缩流动中的界面动力学至关重要。2D_SDBA_SSOO数据集由FluidVerse团队构建，专注于捕捉二维圆柱形液滴在空气中受外部激波作用下的时间演化行为。该数据集基于ALPACA求解器模拟二维可压缩欧拉方程，通过对称边界条件探究韦伯数变化导致的两种破碎模式——表面侵蚀与径向拉伸破碎。其涵盖的激波马赫数、韦伯数及液滴数量与尺寸等参数范围，为科学机器学习提供了高保真度的训练与验证数据，显著推动了多相流中激波-液滴相互作用机理的量化分析与模型构建。

当前挑战

该数据集旨在解决激波诱导液滴破碎过程中的复杂物理建模问题，核心挑战在于准确区分表面侵蚀与径向拉伸破碎两种模式，这要求模型能够精确捕捉相界面演化与波系动力学。构建过程中，高分辨率模拟带来的计算负担、多参数初始条件下的数据生成一致性，以及从原始网格到数据集分辨率的裁剪与降采样所引入的信息损失，均为数据质量控制带来严峻考验。此外，多液滴场景下的碎片追踪与相互作用表征，进一步增加了数据标注与模型泛化的难度。

常用场景

经典使用场景

在计算流体动力学领域，研究激波诱导液滴破碎现象对于理解多相流与可压缩流动的耦合机制至关重要。2D_SDBA_SSOO数据集通过高精度数值模拟，捕捉了二维圆柱形液滴在空气中受外部激波作用下的时空演化行为，其经典使用场景集中于构建数据驱动的物理信息神经网络或深度学习代理模型，以高效预测液滴的破碎模式（如SIE与RTP）及界面动力学，从而替代传统计算成本高昂的CFD仿真。

衍生相关工作

围绕该数据集所蕴含的丰富物理信息，已衍生出一系列前沿的科学机器学习研究。典型工作包括开发基于卷积神经网络或U-Net架构的端到端流场预测模型，用于快速推断不同初始条件下的液滴破碎形态；以及构建结合物理约束的生成模型，以合成高保真度的激波-多相流交互序列数据。这些研究不仅推动了CFD与AI的深度融合，也为复杂流动系统的实时模拟与控制开辟了新的技术路径。

数据集最近研究

最新研究方向

在计算流体力学与科学机器学习交叉领域，激波诱导液滴破碎现象的研究正推动高保真物理仿真与数据驱动建模的深度融合。该数据集聚焦二维对称边界条件下空气激波与圆柱液滴的相互作用，其前沿探索紧密围绕多相可压缩流动的代理模型构建。研究者致力于利用深度学习架构精准捕捉界面演化与破碎模态，区分剪切诱导蒸发与瑞利-泰勒穿刺机制，同时解析复杂波系动力学与多液滴间耦合效应。此类工作不仅助力航空发动机燃烧室设计、超音速喷涂等工程场景的优化，更为物理约束神经网络与可微分仿真等新兴范式提供了验证基准，加速了复杂流体系统的高效数字化表征。