【快乐开源】迁移 DeepCFD 案例至 PaddleScience

[HydrogenSulfate]

This project will be mentored by @HydrogenSulfate

1. 背景

计算流体力学（Computational fluid dynamics, CFD）通过求解Navier-Stokes方程（N-S方程），可以获得流体的各种物理量的分布，如密度、压力和速度等，在微电子系统、土木工程和航空航天等领域应用广泛。然而，在某些复杂的应用场景中，如机翼优化和流体与结构相互作用方面，需要使用千万级甚至上亿的网格对问题进行建模（如下图所示，下图展示了F-18战斗机的全机内外流一体结构化网格模型），导致CFD的计算量非常巨大。因此，目前亟需发展出一种相比于传统CFD方法更高效，且可以保持计算精度的方法。这篇文章的作者提到，可以使用深度学习的方法，通过训练少量传统CFD仿真的数据，构建一种数据驱动（data-driven）的CFD计算模型，来解决上述的问题。

在 AIStudio 上已经有使用 PaddlePaddle 框架API 复现的项目：基于PaddlePaddle的DeepCFD复现 - 飞桨AI Studio，现在希望能将这个项目迁移至 PaddleScience，也就是基于 PaddleScience 的 API 实现该项目，最终合入 PaddleScience 仓库

2. 收益

2.1 个人收益

• 同时熟悉 CV 领域的经典模型结构 U-Net，并从该项目中了解相关流体力学知识，以及如何将物理公式融入到深度学习方法中
• 学习 PaddleScience 套件代码，掌握开源套件开发基本知识

2.2 PaddleScience 收益

• 补充 U-Net 结构至 Arch 模块
• 补充 DeepCFD 案例至流体相关案例中，提升案例丰富度

3. 开发流程

3.1 安装 PaddleScience

下载安装 PaddleScience 套件：https://paddlescience-docs.readthedocs.io/zh/latest/zh/install_setup/#121-git

3.2 代码开发

参考 基于PaddlePaddle的DeepCFD复现 - 飞桨AI Studio项目，以及 PaddleScience 的开发与复现指南，使用 PaddleScience API 文档 等价实现该项目，开发代码风格与已有案例保持一致（如 Darcy 2D），训练精度与原论文对齐，并仿照已有文档撰写 DeepCFD 的案例文档，最终合入 PaddleScience。

3.3 整理代码并提交PR

参考 PaddleScience文档-贡献指南-整理代码并提交

4. 参考资料

• PaddleScience 文档
• 基于PaddlePaddle的DeepCFD复现 - 飞桨AI Studio
• https://github.com/mdribeiro/DeepCFD
• Ribeiro M D, Rehman A, Ahmed S, et al. DeepCFD: Efficient steady-state laminar flow approximation with deep convolutional neural networks[J]. arXiv preprint arXiv:2004.08826, 2020.

奖励

500 京东卡