Hugging Peers

HO-FNO-Pipe-Flow

☆ Save
by OneScience PyTorch apache-2.0
2 downloads 0 likes on ModelScope updated

Model card

HO-FNO-Pipe-Flow

模型介绍

HO-FNO-Pipe-Flow 是基于 Higher-Order Fourier Neural Operator 构建的管道流动代理模型，可根据二维管道几何网格预测水平流体速度场。

论文：Higher-Order Fourier Neural Operator: Explicit Mode Mixer for Nonlinear PDEs

模型描述

HO-FNO-Pipe-Flow 复现论文 Table 2 中的 Pipe 实验。模型在 FNO 的基础上显式加入二阶傅里叶模态交互，通过 8 层高阶谱卷积学习不同管道形状到水平速度场的映射。

适用场景

场景 说明
管道速度场预测 根据二维管道几何网格快速预测水平流体速度分布
PDE 代理建模 面向复杂几何上的流体方程开展快速近似求解

使用说明

1. OneCode 使用

可通过 OneCode 在线环境体验智能化一键式 AI4S 编程：

点击体验智能化一键式 AI4S 编程

2. 手动安装使用

硬件要求

  • 推荐使用 GPU 或 DCU 运行。
  • CPU 可以用于导入和小配置连通性验证，完整训练和推理速度较慢。
  • DCU 用户需要预先安装 DTK，建议使用 DTK 25.04.2 以上版本或与当前集群匹配的 OneScience 推荐版本。

下载模型包

modelscope download --model OneScience/HO-FNO-Pipe-Flow --local_dir ./HO-FNO-Pipe-Flow
cd HO-FNO-Pipe-Flow

安装运行环境

DCU环境

# 请首先激活DTK及CONDA
conda create -n onescience311 python=3.11 -y
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-dcu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

GPU环境

# 请首先激活CONDA
conda create -n onescience311 python=3.11 -y libstdcxx-ng=12 libgcc-ng=12 gcc_linux-64=12 gxx_linux-64=12
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-gpu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

训练数据介绍

本案例使用 HO-FNO 官方代码提供下载入口的 Pipe 数据，包括 Pipe_X.npy、Pipe_Y.npy 和 Pipe_Q.npy。三个文件均含 2310 个 129x129 样本；前两个文件给出网格坐标，Pipe_Q.npy 的第 0 个通道为水平速度场。实验按论文设置使用前 1000 个样本训练、之后 200 个样本测试。

数据来源于HO-FNO 作者列出的 Pipe 下载入口。从 OneScience 魔搭数据集下载到模型包的 data/ 目录：

modelscope download --dataset OneScience/HO-FNO-Pipe --local_dir ./data

下载后应有 data/Pipe_X.npy、data/Pipe_Y.npy 和 data/Pipe_Q.npy；默认配置直接读取这些文件。

训练

python scripts/train.py

默认完整训练 500 个 epoch，并保存 checkpoint：

./weight/best_model.pth

训练权重

本仓库在 weight/ 文件夹内提供完成 500 个 epoch 训练的模型权重，可用于直接推理。权重大小为 24,981,730 bytes，SHA256 为 9d71053c64b62a6fc6f867108c29d2cc0d277d667a3504dc073a6b56072981d4。

本次 200 个测试样本的平均相对 L2 为 0.00488774。论文 Table 2 中 HO-FNO Pipe 的平均相对 L2 为 0.0049；两者绝对差约为 1.23e-5，本次结果约为论文值的 0.9975 倍。论文结果只保留四位小数，因此该差异只能视为同一量级内的对齐结果。

推理

python scripts/inference.py

评估和可视化

python scripts/result.py

OneScience 官方信息

平台 OneScience 主仓库 Skills 仓库
Gitee https://gitee.com/onescience-ai/onescience https://gitee.com/onescience-ai/oneskills
GitHub https://github.com/onescience-ai/OneScience https://github.com/onescience-ai/oneskills

引用与许可证