• 湍流建模
• • 1 介绍
  • • 1.1 网络模型
    • 1.2 数据集
    • 1.3 代码地址
  • 2 代码目录结构与说明
  • 3 环境说明
  • 4 模型训练
  • • 4.1 数据准备
    • 4.2 训练
  • 5 模型推理
  • • 5.1 推理
    • 5.2 注意事项
    • • 5.2.1 数据方面
      • 5.2.2 模型方面
      • 5.2.2 指标方面

湍流建模

1 介绍

湍流是一种三维、非定常、有旋的强非线性多尺度流动，具有强的耗散和色散特性，普遍存在于自然界及工程问题之中，被认为是“经典物理学中最后一个未解决的问题”。本项目通过深度学习方法，基于DNS/LES等方法获得的高可信度流场数据，构建一个以流场基本变量及其组合特征为输入，雷诺应力为输出的数据驱动模型，实现对于雷诺应力的准确模化，从而在计算量可接受的前提下提高RANS方程对于复杂流动的模拟精度。

1.1 网络模型

网络模型如下所示：

1.2 数据集

【官方数据集】：https://openi.pcl.ac.cn/innovation_contest/innov202305100905418/datasets
该数据集提供了周期山、方管、后台阶、压缩拐角等外形在不同工况下的DNS/LES模拟数据。在data_train_input.csv文件中，包含12个基本流场特征，作为模型的输入；在data_train_output.csv文件中，包含雷诺应力的6个分量。

【本项目数据集】：https://openi.pcl.ac.cn/theh04/flow-Unet/datasets
本项目的数据集是在官方数据集的基础上进行一系列操作得到：

• 首先，将官方数据集中的data_train_input.csv和data_train_output.csv文件进行拼接，
• 然后按照9:1的比例将拼接后的文件划分为train_data.csv和test_data.csv，分别用于训练和验证，
• 最后将两个文件中的空元素填充为0。我们是基于本项目数据集进行模型的训练和验证。

1.3 代码地址

【项目代码】：https://openi.pcl.ac.cn/theh04/flow-Unet

2 代码目录结构与说明

本项目工程名称为 flow-Unet，工程目录如下所示：

├── checkpoints                 #权重保存目录
│   └── Unet_9946.ckpt          #模型权重文件
├── configs                     #参数目录
│   └── default.json            #默认训练参数
├── data                        #数据目录
│   └── download.txt            #数据下载链接
├── data_utils                  #数据集处理
│   ├── fill_zero.py            #将空元素填充为0
│   ├── merge_file.py           #合并输入文件和输出文件
│   └── split.py                #9:1划分训练集和验证集
├── imgs                        #图片目录
│   ├── eval_log.png
│   ├── network.png
│   └── train_log.png
├── modules                     #模型目录
│   ├── block.py                #模型部件
│   └── net.py                  #模型定义
├── src                         #自定义
│   ├── callback.py             #回调函数
│   ├── dataset.py              #数据集函数
│   ├── loss.py                 #损失函数
│   └── utils.py                #学习率函数
├── README.md                   #说明文档
├── requirements.txt            #运行环境要求
├── eval.py                     #推理函数
├── qizhi.py                    #启智集群运行脚本
└── train.py                    #训练函数

3 环境说明

硬件环境	资源规格
GPU	1*A100, CPU: 8, 显存: 40GB, 内存: 64GB

环境依赖	版本
mindspore	2.0.0
scikit-learn	~
numpy	~
python	3.7

实验环境如上所示，在配置时，可以参考或者使用我们选择的启智集群镜像如下。
或者可直接参考qizhi.py文件开头几行代码。

【cuda镜像地址】：dockerhub.pcl.ac.cn:5000/user-images/openi:cuda111_python37_pytorch191

【清华源pip命令行安装MindSpore2.0.0】：

pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/2.0.0/MindSpore/unified/x86_64/mindspore-2.0.0-cp37-cp37m-linux_x86_64.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple

【基础库安装】
pip install -r requirements.txt

4 模型训练

4.1 数据准备

如果使用的是本项目数据集，则无需对数据集进行处理。
如果使用的是官方数据集，需要先运行merge_file.py，将输入文件和输出文件进行合并，
再运行split.py划分训练集和验证集，
最后运行fill_zero.py将划分得到的两个csv文件中的空元素填充为0。

4.2 训练

运行train.py文件进行模型的训练。

训练过程日志输出内容如下：

5 模型推理

5.1 推理

• 如果用于推理的数据集与本项目数据集的格式不同，需要先运行merge_file.py，
• 再运行fill_zero.py确保数据格式与本项目数据集保持一致。
• 在配置好数据和模型文件的路径之后，运行eval.py文件进行模型的推理。
• 最后，会打印出MAE指标和R2指标，在本项目的验证集上的自验结果如下所示：

5.2 注意事项

5.2.1 数据方面

在训练过程中，为了加速模型的拟合，对输入和标签同时放大了100倍（详见dataset.py）。

因此，在实际测试和推理过程中，需要

• 先对输入数值放大100倍，
• 再对模型输出缩小100倍，
• 即可得到真实输出。

5.2.2 模型方面

模型当中用到了InstanceNorm网络层，该网络层只支持GPU环境运行。

5.2.2 指标方面

本项目在测试mse、mae和R2指标时使用了机器学习库sklearn，详见eval.py

建议使用该机器学习库进行各个指标的测试。