ENGLISH | 简体中文

目录

• Hidden Fluid Mechanics 描述
• 数据集
• 环境要求
• 快速开始
• 脚本说明
  • 脚本和示例代码
  • 脚本参数
  • 训练流程
  • 推理流程

Hidden Fluid Mechanics 描述

隐流体力学（HFM）是一个物理信息深度学习框架，通过将纳维-斯托克斯方程（Navier-Stokes equations）编码到神经网络中，能够提取隐藏的流体运动量， 例如速度和压力场。以下论文展示了详细的研究。

论文: Raissi M, Yazdani A, Karniadakis G E. Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations[J]. Science, 2020, 367(6481): 1026-1030.

该模型重新构建了神经网络的训练流程，并预测了给定时间和位置的速度场和压力场。 模型使用的场景是：在雷诺数Re=100和佩克莱数Pe=100时，二维流体穿过的圆形圆柱体。

数据集

用于训练的数据集和预训练checkpoints文件将会在首次启动时自动下载。

使用的数据集: [Cylinder2D_flower]

• 数据集大小
  • 时间:（201, 1）
  • 位置 x:（1500, 201）
  • 位置 y:（1500, 201）
• 数据格式: .mat文件
  • 注: 数据会在process.py中处理
• 数据集在./data目录下，目录结构如下:

├── data
│   └── Cylinder2D_flower.mat

您如果需要手动下载数据集或checkpoints文件， 请访问此链接。

环境要求

• 硬件（Ascend/GPU）
  • 使用 Ascend 或 GPU 处理器准备硬件环境。
• 框架
  • MindSpore
• 欲了解更多信息，请查看以下资源:
  • MindSpore教程
  • MindSpore Python API

快速开始

通过官网安装好MindSpore和上面需要的数据集后，就可以开始训练和验证如下:

• 在 Ascend 或 GPU 上运行

默认:

python train.py

完整命令:

python train.py \
    --layers 3 200 200 200 200 200 200 200 200 200 200 4 \
    --save_ckpt true \
    --load_ckpt false \
    --save_result true \
    --save_ckpt_path ./checkpoints \
    --load_ckpt_path ./checkpoints/model_iter_300000_float32.ckpt \
    --load_data_path ./data \
    --save_data_path ./data \
    --log_path ./logs \
    --print_interval 10 \
    --lr 1e-3 \
    --t 1500 \
    --n 1500 \
    --total_time 40 \
    --epochs 100001 \
    --batch_size 1000 \
    --download_data hfm \
    --force_download false \
    --amp_level O0 \
    --device_id 0 \
    --mode 0

脚本说明

脚本和示例代码

文件结构如下:

├── hfm
│   ├── checkpoints                       # checkpoint文件
│   ├── data                              # 数据文件
│   ├── figures                           # 结果图片
│   ├── logs                              # 日志文件
│   ├── src                               # 源代码
│   │   ├── network.py                    # 网络架构
│   │   └── process.py                    # 数据处理
│   ├── case_studies_1.sh                 # 供多案例同时执行的脚本
│   ├── case_studies_2.sh                 # 供多案例同时执行的脚本
│   ├── config.yaml                       # 超参数配置
│   ├── README.md                         # 英文模型说明
│   ├── README_CN.md                      # 中文模型说明
│   ├── train.py                          # python训练脚本
│   └── eval.py                           # python评估脚本

脚本参数

train.py中的重要参数如下:

训练流程

• 在 GPU/Ascend 上运行

  python train.py

  经过训练，loss值会输出如下:

  step: 0, loss: 0.8028861, interval: 210.2149157524109s, total: 210.2149157524109s
  step: 10, loss: 0.66187924, interval: 13.888249158859253s, total: 224.10316491127014s
  step: 20, loss: 0.45909613, interval: 13.550164461135864s, total: 237.653329372406s
  step: 30, loss: 0.21840161, interval: 13.551252603530884s, total: 251.2045819759369s
  step: 40, loss: 0.043125667, interval: 13.55091643333435s, total: 264.75549840927124s
  step: 50, loss: 0.04197544, interval: 13.552476167678833s, total: 278.3079745769501s
  step: 60, loss: 0.017915843, interval: 13.578445672988892s, total: 291.88642024993896s
  ...

• 训练结束后，您仍然可以通过保存在log_path下面的日志文件回顾训练过程，默认为./logs目录中.

• 模型checkpoint将保存在save_ckpt_path中, 默认为./checkpoints目录中。

推理流程

在运行下面的命令之前，请检查使用的config.yaml 中的checkpoint加载路径load_ckpt_path 进行推理。checkpoint文件可以使用数据集章节中的命令进行下载。

• 在 GPU/Ascend 上运行

  python eval.py

  训练过程将会输出如下的（c ,u, v, p）误差：

  # grep "Error" log
  ...
  Error c: 2.638576e-02, Error u: 4.955575e-02, Error v: 3.927004e-02, Error p: 1.061887e-01
  Error c: 2.622087e-02, Error u: 4.833636e-02, Error v: 3.940436e-02, Error p: 1.045989e-01
  Error c: 2.596794e-02, Error u: 4.727550e-02, Error v: 3.953079e-02, Error p: 1.030758e-01
  Error c: 2.543095e-02, Error u: 4.638828e-02, Error v: 3.969464e-02, Error p: 1.016249e-01
  Error c: 2.459827e-02, Error u: 4.566803e-02, Error v: 3.989391e-02, Error p: 1.002600e-01
  Error c: 2.360513e-02, Error u: 4.509190e-02, Error v: 4.006676e-02, Error p: 9.900088e-02
  Error c: 2.243761e-02, Error u: 4.463641e-02, Error v: 4.011014e-02, Error p: 9.788122e-02
  ...

  您可以通过日志文件log_path查看过程与结果，默认位于./logs。