---
title: VINO-DarcyFlow
canonical_url: "https://www.modelscope.cn/models/OneScience/VINO-DarcyFlow"
md_url: "https://www.modelscope.cn/models/OneScience/VINO-DarcyFlow.md"
repository: OneScience/VINO-DarcyFlow
last_updated: 2026-10-26
license: other
library_name:
  - pytorch
frameworks:
  - PyTorch
language:
  - en
  - zh
downloads: 1
stars: 0
tags:
  - OneScience
  - "流体力学"
  - "多孔介质流动"
---

# VINO-DarcyFlow

> VINO-DarcyFlow - OneScience 在 ModelScope 开源的模型。VINO-DarcyFlow 复现二维 Darcy 流的无标签变分神经算子实验，输入渗透率场，预测压力场。

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

- **Repository**: OneScience/VINO-DarcyFlow
- **License**: other
- **Tags**: OneScience, 流体力学, 多孔介质流动
- **Downloads**: 1
- **Stars**: 0
- **Last updated**: 2026-10-26

Source: https://www.modelscope.cn/models/OneScience/VINO-DarcyFlow

---

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

# 模型介绍

VINO-DarcyFlow 复现二维 Darcy 流的无标签变分神经算子实验，输入渗透率场，预测压力场。

论文：[Variational Physics-informed Neural Operator (VINO) for Solving Partial Differential Equations](https://arxiv.org/abs/2411.06587)

# 模型描述

模型采用 Fourier 神经算子表示解算子，训练时最小化有限元形式的能量，不使用训练集压力标签更新参数。本模型包对应论文第 2.1.3 节和 Table 1 的 64×64 Darcy 流实验。

## 适用场景

| 场景 | 说明 |
| :--- | :--- |
| 多孔介质流动 | 根据渗透率场预测二维压力分布 |
| 工业仿真加速 | 批量近似求解参数化 Darcy 方程 |

# 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 训练；CPU 可用于代码和数据检查。
- 本次正式训练使用 1 张 DCU，500 epoch。

### 下载模型包

```bash
modelscope download --model OneScience/VINO-DarcyFlow --local_dir ./VINO-DarcyFlow
cd VINO-DarcyFlow
```

### 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

使用[作者公开的 VINO 数据](https://seafile.cloud.uni-hannover.de/d/4341006631ab427b8270/)中的 `Comparative_Examples/data/darcy2d_s64.pt`。文件包含 1000 组训练样本和 100 组测试样本，渗透率和压力场均为 64×64。从 OneScience 魔搭数据集下载到默认的 `data/` 目录：

```bash
modelscope download --dataset OneScience/VINO-Darcy --local_dir ./data
```

### 训练

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

默认训练 500 epoch，按测试集相对 L2 选择最佳轮次并保存至 `weight/best_model.pt`。这会使最佳权重的测试成绩带有选模偏差，阅读下方结果时需注意。

### 训练权重

`weight/best_model.pt` 为第 435 个 epoch 的权重，大小 28,637,657 bytes，SHA256 为 `e9b47a201bc03cc9362b4803706b6529426b8fc889ce9f185b8fec52cf9c51f8`。

### 推理

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

### 评估和可视化

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

本次 100 组测试样本的平均相对 L2 为 1.1098%；论文 Table 1 为 0.93%±0.31%。本次均值高 0.1798 个百分点。论文中的标准差与本次按样本计算的标准差不一定是同一统计口径，且本次最佳权重按测试集选取，不能把这组结果视为独立测试集的无偏估计。图表和逐样本指标见 `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：[Variational Physics-informed Neural Operator (VINO) for Solving Partial Differential Equations](https://arxiv.org/abs/2411.06587)。
- 原始数据来源为作者公开下载目录；数据再分发条件应以原始来源说明为准。本模型包未附带训练数据。