Por que é necessário mais um pipeline para datasets
A preparação de dados para o treinamento de modelos que preveem o escoamento tridimensional ao redor de corpos geralmente esbarra não na rede neural, mas na rotina: é preciso gerar a geometria, construir a malha computacional, realizar a simulação e padronizar os resultados. Tudo isso é difícil de reproduzir automaticamente, por isso os datasets prontos acabam sendo caros e pouco escaláveis.
A ferramenta aberta ChannelFlow-Tools propõe uma abordagem diferente: montar conjuntos de dados não exemplo por exemplo, mas por um pipeline completo — desde a geração procedural de obstáculos até o empacotamento de campos de escoamento tridimensionais em tensores adequados para treinamento. Pela descrição do projeto no arXiv, o principal objetivo dos autores é eliminar operações manuais e tornar o processo o mais reproduzível possível.
O que acontece dentro do pipeline
Uma tarefa típica é assim: um obstáculo é colocado em um canal e, com base nas condições de entrada do fluxo, é preciso prever o campo tridimensional de velocidade e pressão ao redor do objeto. A particularidade do ChannelFlow-Tools é que ele automaticamente percorre variações geométricas de seis famílias de formas. Em vez da seleção manual de objetos, é usada a geração procedural, que pode produzir uma grande diversidade de obstáculos com parâmetros controlados.
Em seguida, a geometria é convertida para uma representação voxel baseada em campos de distância com sinal. Essa representação é conveniente para modelos convolucionais e não exige trabalhar diretamente com a malha computacional irregular. Depois disso, é executada a simulação por lattice-Boltzmann — um método de solução numérica das equações hidrodinâmicas que se adapta bem à computação paralela. Por fim, os resultados das simulações e as máscaras originais da geometria são agrupados em tensores prontos para arquiteturas de redes neurais.
Todo o processo é controlado por arquivos de configuração. Isso significa que os parâmetros de geração, as condições de simulação e o formato dos dados de saída podem ser definidos de forma declarativa, e não "embutidos" no código. Segundo os autores, a etapa de geração de geometria é reproduzível byte a byte: configurações idênticas produzem objetos idênticos, independentemente de execuções repetidas. Para o simulador físico, a reproduzibilidade bit a bit completa é mais difícil, mas pelo menos a parte procedural do projeto é feita de forma rigorosa.
Validação de dados não "no olho"
Criar um dataset é metade do trabalho. Antes de usá-lo para treinamento, os autores realizaram vários níveis de validação. Entre eles estão a verificação ponta a ponta da integridade das malhas computacionais, testes analíticos das funções de distância com sinal e a comparação com um benchmark conhecido de escoamento ao redor de uma esfera. Também foi verificada a integridade byte a byte dos dados após todas as transformações.
Essa auditoria é importante não apenas para a qualidade de uma amostra individual, mas também para garantir que todo o corpus de dados seja consistente. Se um modelo é treinado em uma amostra com milhares de simulações, até falhas raras na geometria ou no empacotamento podem se transformar em um erro sistemático.
Os dados funcionam na prática?
Para demonstrar a adequação dos datasets gerados, os autores treinaram três modelos substitutos: 3D U-Net, FNO e U-FNO. Cada um deles aprendeu a prever o campo de escoamento a partir da geometria conhecida e dos parâmetros do fluxo. A amostra de treinamento consistiu em 450 simulações com número de Reynolds reduzido de aproximadamente 1000 a 10 000.
O simples fato de haver baixo erro no treinamento diz pouco. Um resultado mais interessante é o comportamento dos modelos em divisões de teste que extrapolam a distribuição de treinamento: outras famílias de formas e números de Reynolds não vistos anteriormente. Segundo os autores, as previsões permanecem fisicamente interpretáveis. Isso confirma indiretamente que a estrutura de dados coletada pelo pipeline transmite aos modelos padrões reais de escoamento, e não apenas "memoriza" exemplos da amostra de treinamento.
Conclusão
Pelo que está disponível nos materiais, o ChannelFlow-Tools preenche uma lacuna importante entre os solvers de CFD e o aprendizado de máquina. Em vez de scripts separados de pré-processamento, o projeto oferece um pipeline configurável, verificável e reproduzível. Isso o torna uma ferramenta útil para pesquisadores que trabalham com escoamentos tridimensionais e querem dedicar mais atenção às arquiteturas de modelos, em vez de montar mais um dataset.
O artigo está disponível no arXiv sob o número 2509.15236; na lista de autores estão Shubham Kavane, Lukas Schröder, Kajol Kulkarni, Fernando Gonzalez e Harald Koestler.
