---
title: PseudoTimePINN-BackwardFacingStep
canonical_url: "https://www.modelscope.cn/models/OneScience/PseudoTimePINN-BackwardFacingStep"
md_url: "https://www.modelscope.cn/models/OneScience/PseudoTimePINN-BackwardFacingStep.md"
repository: OneScience/PseudoTimePINN-BackwardFacingStep
last_updated: 2026-10-29
license: other
library_name:
  - pytorch
frameworks:
  - PyTorch
language:
  - en
  - zh
downloads: 1
stars: 0
tags:
  - OneScience
  - "流体力学"
  - "后向台阶流"
---

# PseudoTimePINN-BackwardFacingStep

> PseudoTimePINN-BackwardFacingStep - OneScience 在 ModelScope 开源的模型。PseudoTimePINN-BackwardFacingStep

OneScience/PseudoTimePINN-BackwardFacingStep 是 ModelScope 魔搭社区上的机器学习模型，采用 other 许可。

- **Repository**: OneScience/PseudoTimePINN-BackwardFacingStep
- **License**: other
- **Tags**: OneScience, 流体力学, 后向台阶流
- **Downloads**: 1
- **Stars**: 0
- **Last updated**: 2026-10-29

Source: https://www.modelscope.cn/models/OneScience/PseudoTimePINN-BackwardFacingStep

---

<p align="center">
  <strong>
    <span style="font-size: 30px;">PseudoTimePINN-BackwardFacingStep</span>
  </strong>
</p>

# 模型介绍

PseudoTimePINN-BackwardFacingStep 复现 Re=800 后向台阶稳态不可压缩流实验，使用自适应伪时间步进的物理信息神经网络预测速度和压力。

论文：[When PINNs Go Wrong: Pseudo-Time Stepping Against Spurious Solutions](https://arxiv.org/abs/2604.23528)

# 模型描述

模型在后向台阶计算域内采样 Navier-Stokes 方程点，以解析边界条件和方程残差训练，不用 SU2 参考流场更新参数。参考场只用于误差评估和绘图。本模型包对应论文 Table 1 的 Re=800 adaptive pseudo-time 实验。

## 适用场景

| 场景 | 说明 |
| :--- | :--- |
| 后向台阶流动 | 近似求解分离、回流与再附着流场 |
| 工业仿真验证 | 比较 PINN 求解结果与数值参考场 |

# 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](https://web-2069360198568017922-iaaj.ksai.scnet.cn:58043/home)

## 2. 手动安装使用

**硬件要求**

- 推荐使用 GPU 或 DCU 完整训练。本次在 1 张 DCU 上完成 100000 步，耗时约 6 小时 13 分钟。
- 默认配置要求在 Slurm 计算节点训练，不要在登录节点运行完整训练。

### 下载模型包

从 ModelScope 下载模型包：

```bash
pip install 'modelscope[datasets]'
modelscope download --model OneScience/PseudoTimePINN-BackwardFacingStep --local_dir ./PseudoTimePINN-BackwardFacingStep
cd PseudoTimePINN-BackwardFacingStep
```

### 安装运行环境

**DCU环境**

```bash
# 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
pip install -r requirements.txt
```

**GPU环境**

```bash
# 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
pip install -r requirements.txt
```

### 训练数据介绍

训练点在计算域中生成，不需要外部训练样本。评估使用[作者公开仓库](https://github.com/sifanexisted/jaxpi2/tree/main/examples/bfs_flow/data)的 SU2 参考场 `flow.vtu`，包含 31265 个网格点。模型包配置默认读取 `data/flow.vtu`；该文件已单独整理到 [OneScience/BackwardFacingStep-SU2-Re800](https://www.modelscope.cn/datasets/OneScience/BackwardFacingStep-SU2-Re800)。

```bash
modelscope download --dataset OneScience/BackwardFacingStep-SU2-Re800 --local_dir ./data
```

下载后应存在 `data/flow.vtu`；SHA256 为 `004f10b2b9ce1e38542537da648c1221730308310f1f7fa675dc7a92b4900d8a`。`flow.vtu` 只用于误差评估与绘图，不参与梯度更新。

### 训练

在已分配 GPU/DCU 的 Slurm 计算节点、模型包根目录中运行：

```bash
python scripts/train.py
```

默认训练 100000 步，按独立的无标签物理验证分数保存最佳权重。若在非 Slurm 环境中训练，需按实际设备修改 `config/config.yaml` 的 `training.device` 和 `training.require_slurm`。

### 训练权重

`weight/best_model.pth` 来自第 47200 步，大小 23,853,777 bytes，SHA256 为 `02dfccc279625bce6f796d405b83ec0d2db719700a2eecc74d874ddb4bd775f6`。另保留 `weight/last_model.pth` 供默认推理脚本比较训练末步结果，不推荐用它代替最佳权重。

### 推理

```bash
python scripts/inference.py
```

推理分别加载最佳权重和最后一步权重，在原始 SU2 网格上计算速度误差；结果保存至 `results/`。

### 评估和可视化

```bash
python scripts/result.py
```

本次最佳权重的 `u` 相对 L2 为 0.003582，论文 Table 1 为 0.002320；本次高 0.001262，约为论文值的 1.544 倍。最后一步权重的误差为 0.093482，因此应用时应选择最佳权重。详细训练曲线、误差和流场图见 `results/`。

# 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

- 论文：[When PINNs Go Wrong: Pseudo-Time Stepping Against Spurious Solutions](https://arxiv.org/abs/2604.23528)。
- SU2 参考数据来自论文作者仓库；数据再分发条件应以原始来源说明为准。本模型包未附带参考数据。