FluidVerse/2D_SABW_SSOO

--- license: cc-by-nc-4.0 tags: - CFD - Multiphase - CompressibleFlow - SciML - Bubbles - Shock - mlcroissant pretty_name: 2D Shock-Induced Air Bubble Collapse in Water size_categories: - 10K<n<100K --- # 2D Shock-Induced Air Bubble Collapse in Water ## Description The dataset captures the time-evolving behavior of 2D cylindrical air bubbles subjected to an external shock wave in water. The interaction with the shock wave results in a collapse of the air bubble. Here we investigate a scenario with symmetric boundary conditions at the north and south walls. <div style="display:flex;justify-content:center"> <video style="width:100%;max-width:400px" src="https://huggingface.co/datasets/FluidVerse/2D_SABW_SSOO/resolve/main/2D_SABW_SSOO_Mach2.10.mp4" loop autoplay muted></video> </div> ## About the data |Metadata|Description| |-----|------| |Solver|[ALPACA](https://www.sciencedirect.com/science/article/abs/pii/S0010465521003581)| |PDE|2D compressible Euler equations| |Dimension|2D| |Number of Trajectories|300| |Train-Test-Split|0.8 - 0.2| |Number of Timesteps|101| |Simulation End Time|15 \\( \mu s \\)| |Save Interval|0.15 \\( \mu s \\)| |Fields| - density_mixed <br/> - density_water <br/> - density_air <br/> - pressure <br/> - velocityX <br/> - velocityY <br/> - volume_fraction_water| |Simulation Resolution|2048x1024 (Clipped and Downsampled)| |Dataset Resolution|512x512 & 256x256| |Grid Type|Cartesian Uniform Grid| |Initial Condition|The bubbles are in equilibrium with the surrounding pre-shock environment.| |Boundary Conditions| North: Symmetry <br/> South: Symmetry <br/> East: Open <br/> West: Open| |Conditioning Parameters| Shock Mach Number [1.3 - 2.1] <br/> Bubble Count [1 - 5] <br/> Bubble Radius [2mm - 3.5mm] <br/> Bubble Center Position [Random in Domain] Further metadata information can be found in the corresponding `metadata.json` file. ## Key Challenges for Surrogate Modelling - Accurate interface capturing - Peak pressure in the domain - Understanding wave dynamics - Tracking bubble fragments ## How to Download the Dataset Download the whole dataset: ``` hf download FluidVerse/2D_SABW_SSOO --repo-type dataset ``` Download only part of the dataset with resolution 256x256: ``` from huggingface_hub import snapshot_download snapshot_download( repo_id="FluidVerse/2D_SABW_SSOO", repo_type="dataset", allow_patterns="multi_bubble/256x256/*", local_dir="." ) ```

搜集汇总

数据集介绍

构建方式

在计算流体力学领域，对激波诱导气泡坍塌现象的精细模拟是研究多相可压缩流的关键。本数据集通过求解二维可压缩欧拉方程，采用ALPACA求解器在笛卡尔均匀网格上生成数值模拟数据。模拟过程设置了对称边界条件，涵盖了激波马赫数、气泡数量、半径及位置等多种物理参数组合，共生成300条轨迹，每条轨迹包含101个时间步，模拟总时长为15微秒，数据以0.15微秒的间隔保存。原始高分辨率模拟结果经过裁剪与下采样，最终提供了512x512与256x256两种空间分辨率的场变量数据，包括混合密度、水相密度、空气密度、压力、速度分量及水相体积分数等关键物理量。

特点

该数据集聚焦于激波与水中二维圆柱形空气气泡相互作用的动态过程，其核心特点在于对复杂多相流物理现象的精细刻画。数据集中包含了丰富的物理场变量，能够全面反映气泡在激波作用下的坍塌、界面变形、压力峰值演化及波系动力学行为。通过系统性地改变激波强度、气泡几何与空间分布等控制参数，数据集构建了一个涵盖广泛物理条件的样本空间，为研究参数化流动问题提供了坚实基础。高时空分辨率的序列数据尤其适用于训练能够捕捉瞬态界面与强梯度的科学机器学习模型，对推动计算流体力学替代模型的发展具有显著价值。

使用方法

为便于科学机器学习研究，数据集已按0.8:0.2的比例划分为训练集与测试集。用户可通过Hugging Face Hub提供的命令行工具或Python库进行下载。若需完整数据集，可使用`hf download`命令；若仅需特定分辨率（如256x256）的数据，则可利用`snapshot_download`函数并指定相应的文件路径模式进行选择性下载。获取数据后，研究人员可将其用于开发与验证代理模型，以高效预测激波-气泡相互作用中的流场演化、压力峰值及界面动力学等关键物理量，从而加速复杂多相可压缩流动的模拟与分析流程。

背景与挑战

背景概述

在计算流体力学领域，激波与多相流界面的相互作用一直是前沿研究课题，涉及空化、水下爆炸及医学超声等关键应用。2D_SABW_SSOO数据集由FluidVerse团队创建，专注于捕捉二维圆柱形空气泡在水中受外部激波诱导坍塌的瞬态演化过程。该数据集基于高精度求解器ALPACA模拟生成，涵盖了激波马赫数、气泡数量与尺寸等多参数条件，旨在为可压缩多相流研究提供高保真基准数据，推动科学机器学习方法在复杂流体动力学建模中的应用。

当前挑战

该数据集针对激波诱导气泡坍塌这一多尺度、强非线性物理过程，其核心挑战在于精确捕获气液界面演化、域内峰值压力预测以及破碎气泡碎片的动态追踪。构建过程中，高分辨率模拟产生了海量数据，需通过裁剪与降采样平衡计算效率与信息完整性，同时多参数初始条件的随机化设计增加了数据集的复杂性与泛化需求，对后续代理模型的训练提出了高保真与高效推理的双重要求。

常用场景

经典使用场景

在计算流体力学领域，该数据集为研究冲击波诱导气泡坍塌的复杂物理过程提供了高保真数值模拟基准。其经典使用场景集中于训练和验证基于机器学习的流体动力学替代模型，特别是针对多相可压缩流中界面捕捉、压力峰值预测以及波动力学演化等关键挑战。通过提供高分辨率时空演化数据，它支持研究者构建能够高效模拟气泡与冲击波相互作用的数据驱动模型，从而替代传统计算成本高昂的数值求解器。

衍生相关工作

围绕该数据集，已衍生出一系列经典研究工作，主要集中在科学机器学习范式中。例如，利用卷积神经网络或U-Net架构进行流场时空超分辨率重建；开发基于物理信息神经网络或傅里叶神经算子的端到端替代模型，以高效预测不同马赫数、气泡数量与尺寸参数下的流场演化；此外，该数据也常被用于生成对抗网络进行流场数据增强，以及作为基准测试集，用于评估不同模型在界面捕捉精度和守恒律保持方面的性能。

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，二维激波诱导水中气泡溃灭数据集正推动前沿研究。该数据集聚焦于可压缩多相流中激波与气泡的复杂相互作用，为构建高保真物理代理模型提供了关键基准。当前研究热点集中于利用深度学习技术，如生成模型与神经算子，精准捕捉界面演化、峰值压力分布及波动力学特征，以替代传统高成本数值模拟。这些进展不仅加速了水下爆炸、空化侵蚀等工程问题的仿真效率，也为可解释人工智能在流体力学中的应用开辟了新路径。