基于多尺度图神经网络的流场预测，实现精度与速度的平衡

原创

已于 2023-06-12 14:38:12 修改 · 1k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #python #深度学习 #人工智能 #机器学习

于 2023-06-08 20:20:30 首次发布

本文介绍了如何使用飞桨框架复现论文《AMGNET:multi-scalegraphneuralnetworksforflowfieldprediction》中的模型，该模型利用图神经网络进行流体力学中的流场预测。文章详细阐述了模型结构、环境依赖、代码实现关键点，包括图的粗化和恢复过程，并对比了原始代码和飞桨实现的差异。实验结果显示，复现模型达到了与原论文相当的预测精度。

该文章已生成可运行项目，

项目简介

本项目来源于飞桨AI for Science共创计划的论文复现赛题，复现论文为《AMGNET: multi-scale graph neural networks for flow field prediction》。该论文主要采用图神经网络，因为在计算流体力学中计算域被网格离散化，这与图结构天然契合。论文中通过训练 CFD 仿真数据，构建一种数据驱动模型进行流场预测。本文将与大家分享基于飞桨完成该论文的复现过程，欢迎大家一起沟通学习。

论文链接

https://doi.org/10.1080/09540091.2022.2131737

原文代码

https://github.com/baoshiaijhin/amgnet、

环境依赖

硬件与框架

本项目需要的硬件环境与框架要求如下所示：

GPU Memory >= 8GB
飞桨== 2.4.0
Python ==3.7.4
PGL == 2.2.4
Matplotlib == 3.5.3
pyamg == 4.2.3
scipy

本地安装

通过以下指令完成飞桨以及各个库的安装。

1.conda create -n paddle_env python=3.7  
2.conda install paddlepaddle-gpu==2.4.0 cudatoolkit=11.6 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge   
3.pip install pgl==2.2.4  
4.pip install matplotlib==3.5.3  
5.pip install pyamg==4.2.3  
6.pip install scipy

本文章已经生成可运行项目