BubbleML: A Multiphase Multiphysics Dataset and Benchmarks for Machine Learning
我们使用以下六个分类标准：
- 研究方法： 这个标准根据如何收集和分析数据来区分研究方法。
- 实验研究，如参考文献[64]中的研究，涉及在受控环境中研究人员操纵变量并观察结果的物理实验。这种方法对于收集真实世界的数据很有价值，但可能成本高且耗时。
- 模拟研究利用计算模型来模拟相变现象。本文介绍的 BubbleML 数据集就是这种方法的一个例子，它提供了一种经济有效的方法来生成具有精确地面真实信息的大量数据。
- 数据驱动或机器学习研究利用算法来分析实验或模拟产生的数据。这种方法可以发现模式，进行预测和优化流程，如本文中使用机器学习进行光流分析和神经 PDE 求解器所展示的那样。
- 研究重点： 这个标准根据研究的主要目标对研究进行分类。
- 基础研究旨在加深我们对相变现象的潜在物理学的理解。例如，研究可能会调查气泡形成、生长和破裂的机制，以及所涉及的复杂传热过程。
- 应用研究侧重于将这种基础知识转化为实际应用。这可能涉及为电子产品设计更有效的冷却系统、优化工业过程中的热传递或开发创新的能源解决方案。
- 数据类型： 这个标准根据所使用数据的来源和性质对研究进行分类。
- 实验数据来自真实世界的实验，通常包括温度、压力、流速和视觉观察的测量。
- 模拟数据，如 BubbleML 数据集，是通过计算机模拟生成的，可以提供对各种物理量及其演变的详细见解。
- 混合数据结合了实验