WAKESET：面向机器学习的大规模高雷诺数湍流尾流数据集

机器学习 (ML) 为计算流体动力学 (CFD) 提供了变革性潜力，旨加速仿真、改进湍流建模，以及实现实时流场预测和控制，可能从根本上改变工程师如何方法论流体动力学问题的能力。然而，由于稀缺适合训练稳健模型的大规模、多样且高保真数据集，ML 在流体动力学领域的探索受到严峻挑战。这一局限在高度湍流情形下尤为突出——这些情形占实际工程应用的主导地位，但却在规模上致使仿真计算上不可行。高雷诺数湍流数据集对于 ML 模型学习真实流场特征的复杂、多尺度物理至关重要，以实现超出现有数据集常代表的简化、低雷诺数规模的泛化能力。本文介绍 WAKESET，一个新型的大规模 CFD 数据集，聚焦高度湍流流场，旨在填补这一关键空白。该数据集捕捉了自下水作业中无人自主 underwater vehicle 被更大型无人 underwater vehicle 执行恢复操作期间的复杂水动力相互作用。数据集包含 1,091 个高保真 Reynolds-Averaged Navier-Stokes 仿真，扩充至 4,364 个实例，覆盖速度 (最高达雷诺数 1.09 x 10^8) 和转向角的广泛作业包。本工作通过回顾现有资源概述此新数据集的动机，阐述其水动力建模与验证，描述其结构。该数据集聚焦于实际工程问题、规模庞大且具高湍流特征，为开发和基准测试用于流场预测、替代建模和复杂水下环境中自主导航的 ML 模型提供了宝贵资源。