FlowBench数据集：由爱荷华州立大学创建，目前公开可用的最大的流动物理学数据集

2024-09-27 ，由爱荷华州立大学创建FlowBench。这是一个大规模的流体动力学模拟数据集，目的推动复杂几何形状下流动物理学的机器学习模型的发展和评估。

 

一、研究背景

在航空航天、汽车制造、环境工程等领域，流体动力学的准确模拟对于设计和性能有着直接的影响。然而，传统的模拟方法成本高昂，需要高性能计算资源。机器学习方法，特别是结合物理约束的科学机器学习方法，为解决这一问题提供了新的思路。

 

目前遇到问题和挑战：

1、复杂几何形状的流动模拟：在模拟复杂几何形状周围的流体流动时，使用传统的偏微分方程（PDE）求解器在数值上具有挑战性，并且计算资源消耗巨大。

2、缺乏基准数据集：用于衡量机器学习方法性能的基准数据集非常稀缺，尤其是涉及复杂几何形状的流动物理学。

3、多物理场模拟的缺乏：现有的数据集主要集中在单一物理现象的模拟，缺乏将不同类型PDEs（例如，Navier-Stokes方程和热传递方程）耦合在一起的多物理场数据集。

4、计算资源限制：高精度的流动和热传递模拟往往需要在高性能计算（HPC）系统上运行数小时到数天，甚至数月。

5、模型泛化能力：现有的机器学习模型在处理复杂流动任务时，尤其是在面对与训练数据不同的分布时，其泛化能力受限。

 

二、让我们一起看一下FlowBench数据集：

FlowBench是一个大规模的流体动力学模拟数据集，包含超过10K的样本，是目前公开可用的最大流体物理数据集。它覆盖了从简单到复杂的多种几何形状，包括2D和3D模拟，以及多种流动条件。

 

数据集构建：

1、直接数值模拟：使用经过充分验证的模拟器框架生成数据，专为模拟复杂几何形状中的传输现象而设计。

2、多物理模拟：包括了流动(不可压缩的 Navier-Stokes 方程）和热流（耦合的 Navier-Stokes 和热传递方程）模拟。

 

数据集特点：

1、覆盖复杂几何形状：数据集包括了复杂几何形状（参数化与非参数化）的流动模拟数据，这有助于开发能够理解和预测复杂流动现象的模型。

2、包含多物理场模拟：FlowBench不仅包括了流动模拟，还包括了热流耦合模拟，填补了多物理场数据集的空白。

3、提供详细评估指标：论文提出了一系列评估指标，帮助研究者评估和比较不同模型的性能，包括全局指标、边界层指标、属性指标和残差指标。

 

基准测试：

对几种主流的机器学习方法进行了基准测试，包括傅里叶神经算子（FNO）、卷积神经算子（CNO）和DeepONets。这些测试结果揭示了这些方法在处理复杂流动任务时的潜力和局限性。

 

 

三、一起展望FlowBench数据集的应用：

比如，我是一名风力发电厂的工程师。

我的主要任务就是设计出那种能够抓住更多风、产生更多电的风力涡轮机叶片。

以前啊，设计风力涡轮机叶片，那可是体力活。得先画图，再造个小模型，然后拿到风洞里去吹。看看叶片转得怎么样，不行再改，改了再吹。每次都得等半天，效率慢得跟乌龟爬似的。

 

现在可好，有了FlowBench这个神器

我直接在电脑上点点鼠标，输入几个参数，唰唰唰，各种复杂气流下的叶片表现就都出来了。想怎么改就怎么改，立马能看到效果，再也不用等一个星期就为看个结果了。我可以在电脑里快速尝试成百上千种叶片设计，而不必真的去造它们。这就像是在玩一个高科技的电子游戏，但我的“得分”是叶片的能量捕获效率。

我的工作变得更轻松、更高效。我不再需要猜测和等待，而是可以直接看到结果，快速做出更好的决策。这不仅提高了我的工作效率，也让我的设计更加出色，为风力发电行业带来了实实在在的好处。