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

于 2023-07-03 09:34:30 发布 · 391 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #paddlepaddle #百度 #飞桨

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、

飞桨AI Studio - AI for Science 共创计划 AMGNET 论文复现

https://aistudio.baidu.com/aistudio/competition/detail/1026/0/introduction

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。

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

模型介绍

模型框架

AMGNET 是一种基于图神经网络的 CFD 计算模型，该模型可以预测在不同物理参数下的流场。图3.1为模型的网络结构图，该模型的基本原理就是将网格结构转化为图结构，然后通过网格中节点的物理信息、位置信息以及节点类型对图中的节点和边进行编码。接着对得到的图神经网络使用基于代数多重网格算法( Olson and Schroder, 2018 )的粗化层进行粗化，将所有节点分类为粗节点集和细节点集，其中粗节点集是细节点集的子集。粗图的节点集合就是粗节点集，于是完成了图的粗化，缩小了图的规模。粗化完成后通过设计的图神经网络信息传递块( GN )来总结和提取图的特征。之后图恢复层采用反向操作，使用空间插值法( Qi et al.,2017 )对图进行上采样。例如要对节点i插值，则在粗