用于数据驱动湍流建模的精选数据集

近期机器学习增强的湍流建模的兴起，是解决雷诺平均 Navier-Stokes (RANS) 模型局限性的一种有前景的方法。本工作提出了首个开源数据集的开发，该数据集经过精选和结构化处理，可直接用于机器学习增强的湍流闭合建模。该数据集包含多种 RANS 模拟以及与之匹配的 direct numerical simulation (DNS) 和 large-eddy simulation (LES) 数据。选取了四种湍流模型构成初始数据集：$k$-$\varepsilon$、$k$-$\varepsilon$-$\phi_t$-$f$、$k$-$\omega$ 和 $k$-$\omega$ SST。数据集每种湍流模型包含 29 个算例，对应若干参数化扫描的参考 DNS/LES 算例：周期山丘、方形管道、参数化凸包、收扩通道和弯曲后向台阶。在 895,640 个点上，均可获得各种带 DNS/LES 标签的 RANS 特征。特征集包含当前最先进模型中使用的量，以及能够生成新特征集的附加场。该数据集减少了训练、测试和基准测试新模型所需的工作量。数据集可在 https://doi.org/10.34740/kaggle/dsv/2044393 获取。