DeepCFD+：一种工业级 CFD 代理模型训练框架【深度学习+流体力学】 - 指南

LGOG

适用场景：气动优化、实时仿真、多物理场代理建模、科研复现
Gitee地址：https://gitee.com/bao-jiachen/deep-cfd
GitHub地址：https://github.com/baojiachen0214/DeepCFDplus
参考论文：DeepCFD: Fast and Accurate CFD Simulation via Deep Learning

一、什么是 DeepCFD+？

在工程设计中，传统 CFD 求解器（如 OpenFOAM 的 simpleFOAM）虽精度高，但单次仿真动辄数小时，严重拖慢迭代效率。

DeepCFD+ 基于 DeepCFD 论文的思想和开源的 实验性模型，重新构建了一个工业级深度学习训练框架，能够：

  • 端到端学习：输入几何（SDF）→ 输出全场速度与压力（Ux, Uy, p）
  • ⚡ 千倍加速：推理仅需 毫秒级，相比传统 CFD 提速 100–1000 倍
  • 高保真度：L2 误差 < 1%，与 simpleFOAM 结果高度一致
  • 开箱即用：内置 UNetEx、AutoEncoder 等成熟架构，支持一键训练

更重要的是——DeepCFD+ 不只是一个模型，而是一个完整的训练系统。

在这里插入图片描述
上图展示的便是一组预测 vs 真实场的对比图。

二、DeepCFD+ 的六大核心亮点

DeepCFD+ 是基于 DeepCFD 工业化升级的一套训练架构，相比于原版的项目有较大的改进与提升，尤其大幅提高了对于算力的节约。具体区别如下：

能力维度DeepCFDDeepCFD+工程价值
训练鲁棒性无早停、无检查点、中断即重训✅ 早停 + 检查点 + 自动恢复避免算力浪费，保障长周期训练
配置管理命令行传参（如 --epochs 2000） config.yaml 集中管理参数版本可控，实验可追溯
模型扩展需修改主脚本硬编码分支 插件式注册，YAML 配置驱动新模型 5 分钟集成，零侵入
可视化手动调用 plot_results() 自动绘制 loss 曲线 + 预测场对比图实时监控训练质量
日志与调试仅 stdout 输出 结构化日志 + 异常捕获快速定位问题，支持远程监控
可复现性未固定随机种子 固定种子 + 环境快照实验结果 100% 可复现
代码结构所有逻辑塞进 DeepCFD.py模型 / 训练 / 工具 / 配置分离高内聚低耦合，团队协作友好

核心理念：DeepCFD 是“Proof of Concept”，DeepCFD+ 是“Production Ready”。

1️⃣ 工业级训练机制：稳如磐石

  • ✅ 早停机制（Early Stopping）：自动终止无改善训练，防止过拟合
  • ✅ 模型检查点（Checkpointing）：定期保存 best_model.pt 与 latest.pt，支持中断恢复
  • ✅ 动态学习率调整：根据验证损失自适应衰减
  • ✅ 多指标监控：同时跟踪训练/验证损失、自定义物理指标

项目完整结构如下：

DeepCFD+/
├── Models/              # 纯模型定义（无训练逻辑）
├── Lib/train_model.py   # 封装 ModelTrainer 类，含完整训练流程
├── config.yaml          # 所有超参集中配置
└── main.py              # 极简入口：加载配置 → 启动训练

对比原始 DeepCFD：后者无检查点、无早停，训练中断即前功尽弃。

2️⃣ 模块化模型架构：灵活扩展

DeepCFD+ 内置多种模型：

  • UNet.py：标准 U-Net
  • UNetEx.py：论文推荐的扩展 U-Net（默认）
  • AutoEncoder.py：编码器-解码器结构

所有模型均通过 YAML 配置驱动，无需修改代码即可切换。

# config.yaml
models:
UNetEx:
lr: 0.001
batch_size: 64
epochs: 1000
patience: 25

更支持自定义模型：只需新建 .py 文件 + YAML 配置，5 分钟集成！

3️⃣ 自动化可视化：训练过程一目了然

训练过程中，DeepCFD+ 自动：

  • 绘制 训练/验证损失曲线
  • 生成 预测 vs 真实场对比图 以及不同模型之间的性能对比热力图
  • 保存结果至 results/ 目录

下图展示的便是某 epoch 中四个模型在全场速度与压力（Ux, Uy, p）这三个方面的误差对比，可以直观看出模型在这一训练阶段的好坏：

性能对比热力图

无需手动调用绘图函数，告别“黑盒训练”。

4️⃣ 配置驱动开发：实验可追溯、可复现

所有超参数集中管理于 config.yaml，包括：

  • 学习率、批次大小、训练轮数
  • 检查点保存频率
  • 是否启用可视化
  • 模型特定参数（如 hidden_dim）

优势：配置即实验记录，版本可控，团队协作无冲突。

5️⃣ 完善的工程保障

  • 固定随机种子：确保实验 100% 可复现
  • 结构化日志系统：记录训练状态、指标、异常信息
  • ️ 异常处理机制：捕获 CUDA OOM、数据损坏等常见错误
  • GPU 资源优化：自动检测设备，合理分配内存

6️⃣ 兼容官方数据集，开箱即用

完全兼容原版 DeepCFD 提供的 数据集（981 个通道流样本）：

  • dataX.pkl：3通道输入（障碍物SDF、流道区域、上下壁面SDF）
  • dataY.pkl：3通道输出（Ux, Uy, p）

可直接用于训练、验证、测试。

三、操作指南：5 分钟跑通训练

1️⃣ 安装依赖

git clone https://gitee.com/bao-jiachen/deep-cfd.git
cd deep-cfd
pip install -r requirements.txt

2️⃣ 准备数据

下载官方数据集：

wget https://zenodo.org/record/3666056/files/DeepCFD.zip?download=1 -O DeepCFD.zip
unzip DeepCFD.zip
mv DeepCFD/dataX.pkl Data/
mv DeepCFD/dataY.pkl Data/

数据将自动被 main.py 识别。

3️⃣ 启动训练

python main.py

默认使用 UNetEx 模型，按 config.yaml 中的配置训练。

4️⃣ 查看结果

训练完成后，你将获得：

  • checkpoints/best_model.pt：最佳模型（按验证损失保存）
  • logs/training.log：结构化训练日志
  • results/prediction_*.png：预测 vs 真实场对比图

四、如何添加自定义模型？

添加自定义模型需要在三个地方进行配置：

1️⃣ 创建模型文件

在 Models/ 目录下创建你的模型文件，例如 MyCustomModel.py：

import torch
import torch.nn as nn
class MyCustomModel(nn.Module):
def __init__(self, in_channels, out_channels, **kwargs):
super(MyCustomModel, self).__init__()
# 实现你的模型结构
self.model = nn.Sequential(
nn.Conv2d(in_channels, 64, 3, padding=1),
nn.ReLU(),
nn.Conv2d(64, out_channels, 3, padding=1)
)
def forward(self, x):
return self.model(x)

2️⃣ 在 main.py 中注册模型

打开 main.py 文件，在模型导入部分添加：

# 在文件开头导入你的模型
from Models.MyCustomModel import MyCustomModel

然后在 ModelTrainer.create_model() 方法中添加模型配置代码：

elif self.model_name == "MyCustomModel":
# 获取配置参数
lr = self.kwargs.get('lr', 0.001)
batch_size = self.kwargs.get('batch_size', 64)
# 创建模型实例
self.model = MyCustomModel(3, 3)  # 根据需要调整输入输出通道数
# 设置优化器
self.optimizer = torch.optim.AdamW(self.model.parameters(), lr=lr)
# 设置损失函数
self.loss_func = self.unet_loss_func  # 可以使用现有的或自定义的
# 设置训练参数
self.batch_size = batch_size

3️⃣ 在 config.yaml 中添加配置

在 config.yaml 文件的 models 部分添加你的模型配置：

models:
MyCustomModel:
lr: 0.001
batch_size: 64
epochs: 1000
# 其他模型特定参数

4️⃣ 运行训练

完成以上步骤后，运行 python main.py，框架会根据配置文件自动训练你的模型！

支持自定义损失函数、评估指标、数据预处理逻辑。

四、引用与致谢

本项目基于：

如用于科研，请引用原始论文。

五、开源协议

MIT License —— 免费用于学术与商业项目。

六、结语

DeepCFD+ 不仅复现了 DeepCFD 的强大能力，更将其从科研脚本升级为工业级训练框架。无论你是：

  • 想快速复现论文结果的研究生
  • 需要构建 CFD 代理模型的工程师
  • 探索 AI for Science 的开发者

DeepCFD+ 都是你值得信赖的起点。

Gitee地址：https://gitee.com/bao-jiachen/deep-cfd
GitHub地址：https://github.com/baojiachen0214/DeepCFDplus

⭐ 欢迎 Star & 提 Issue！让 CFD 仿真真正“飞”起来！

作者谈：笔者是 DeepCFD+ 开发者，也是一名普通本科生，难免会出现一些低级的 bug，如果你在使用过程中遇到了问题，欢迎与我联系~

posted @ 2025-11-16 15:23  gccbuaa  阅读(46)  评论(0)    收藏  举报