Hugging Peers

PointNetCFD

☆ Save
by OneScience pytorch MIT License
1 downloads 2 likes on ModelScope updated

Model card

PointNetCFD

模型介绍

PointNetCFD 是由 Ali Kashefi、Davis Rempe 和 Leonidas J. Guibas 提出的点云流场预测模型。该方法将不规则几何区域中的非结构 CFD 网格节点直接表示为点云，并利用 PointNet 编码几何信息和空间位置，逐点预测两个速度分量和压力。本仓库由 OneScience 技能流程依据论文描述独立复现。

论文：A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries

模型描述

PointNetCFD 是面向非结构网格的 CFD 点级回归模型。每个样本包含 1024 个点，以节点坐标 (x, y) 为输入，逐点预测 (u, v, p)。模型通过 T-Net 对输入和特征进行对齐，经共享 MLP 与全局最大池化提取局部和全局特征，融合后通过 512 → 256 → 128 → 128 → 3 解码器完成流场预测。坐标保持原始物理尺度，输出变量按训练集统计量归一化至 [0, 1]。

适用场景

场景 说明
CFD 流场预测 根据非结构网格节点的二维空间坐标 (x, y)，逐点预测速度分量 (u, v) 和压力 p
不规则几何建模 直接利用点云表示不同物体边界和非结构网格，无需将 CFD 数据插值到规则网格
几何泛化 所对应的实验可测试未出现几何形状的预测能力

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/PointNetCFD --local_dir ./PointNetCFD
cd PointNetCFD

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

OneScience 社区提供可供训练的 PointNetCFD 数据，用户可通过下述命令下载，并确认 config/config.yaml 中的 paths.data_dir 指向下载后的数据目录：

modelscope download --dataset OneScience/pointnet_cfd --local_dir ./data

其中 CFDdata.npy 的单个样本可以表示为 1024 × 5 的点云数据矩阵： [x, y, p, u, v]，同时提供训练集、验证集和测试集对应的索引文件。

训练

默认配置 config/config.yaml 对应论文主实验设置。

python scripts/train.py --config config/config.yaml

训练过程中会通过标准输出实时打印每个 epoch 的训练 loss、验证 loss 和评估指标。验证集 MSE 最优的 checkpoint 保存至：

weight/best_model.pth

训练历史、实际生效配置和训练摘要统一保存在 results/ 目录。仅验证环境连通性时，可使用独立输出路径的最小冒烟测试：

python scripts/train.py --smoke-test

训练权重

本仓库在weight/文件夹内提供基于 PointNetCFD 数据预训练的权重，可直接加载推理。

推理

运行前请确认 config/config.yaml 中的数据路径有效，且 weight/best_model.pth 已存在。以下命令在固定测试集上执行推理并实时打印归一化 MSE、各物理变量的 RMSE 和相对 L2 误差：

python scripts/inference.py \
  --config config/config.yaml \
  --checkpoint weight/best_model.pth \
  --device auto \
  --output-dir results

推理结果保存为：

  • results/test_metrics.json：测试指标及论文参考指标；
  • results/predictions.npz：坐标、预测值、真实值及样本索引。

评估和可视化

数值评估由 scripts/inference.py 在推理时完成。可视化脚本依赖推理生成的 results/predictions.npz，因此应先完成上述推理，再运行：

python scripts/result.py \
  --predictions results/predictions.npz \
  --output-dir results/figures \
  --num-cases 3

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