飞桨AI4S污染物扩散快速预测模型，亮相全国数据驱动计算力学研讨会

5月19-21日，第一届全国数据驱动计算力学研讨会在大连召开。本次研讨会由中国力学学会主办，大连理工大学运载工程与力学学部承办，北京理工大学先进结构技术研究院协办。

会议共吸引了400多位来自全国各地高校与企业的老师与学生参会，本次研讨会聚焦“数据驱动计算力学与工程科技前沿”，涵盖数据驱动计算力学的数学理论、多场多尺度分析、结构优化设计等主题，为国内外相关研究领域的学者搭建学术交流平台，展示数据驱动计算力学研究前沿的最新成果与进展，形成并稳定一批数据驱动计算力学领域的学者队伍，以期促进中国计算力学学科的发展。

会议邀请到程耿东院士、方岱宁院士、张统一院士、何国威院士和魏悦广院士做主会场特邀报告。报告的内容分别为数据驱动的模型降阶法、AI 驱动的先进结构设计与分析方法、Materials GPT and Domain Knowledge Guided Machine Learning、数据驱动的湍流研究、先进材料跨尺度力学行为的计算模拟，阐述了对数据驱动计算力学发展的观点和科研进展。

在分会场上，来自海内外高校科研院所的老师就“基于数据驱动的复杂力学行为数值模拟”、“基于数据驱动的结构优化设计”、“基于数据驱动的多尺度/多物理场分析”、“基于数据驱动的超材料设计”、“基于数据驱动的结构动力响应分析”、“基于数据驱动的结构不确定性分析”共6个方向进行了198场精彩纷呈的报告。

主题分享

赛桨 PaddleScience 最新科研进展

百度飞桨携 AI for Science 领域新成果——污染物扩散快速预测模型参与本次研讨会，百度工程师王冠在会上做了题为《基于数据驱动 U-Net 模型的大气污染物扩散快速预测》的报告，并与参会学者互相交流和学习，推动 AI for Science 的发展。

训练数据推理

预测结果

本报告中，我们介绍了基于百度飞桨科学计算工具组件赛桨 PaddleScience 搭建的 U-Net 网络，这是一种基于 Encoder-Decoder 和卷积的一种网络结构，通过污染物扩散云图来学习污染物扩散的模型参数。

当前，常见的大气污染预测模型大多是基于物理机理构建的，比如空气质量预测模型 Calpuff、AERMOD、CMAQ 等。然而，这些模型运算较为复杂，对于输入数据的要求非常高，运算耗时也比较长，适合用于常规固定区域的预报。当遇到突发污染事件时，就无法有效发挥作用。针对以上问题，本项目以某城区 3km*3km 范围的固定模拟区域，根据污染物扩散模型，快速计算任意释放点源和任意风向的污染物扩散动图，并进行精度评估。仅利用城市局部污染物扩散云图作为输入，使用深度学习模型提取图像中污染物扩散的特征，纯数据驱动，无需建立物理模型，预测耗时短，适合作为突发污染扩散事件时的应急处置决策辅助。

从项目结果来看，模型计算速度相比 CFD 模拟提升明显，但是模型预测的效果还有待提升。未来将通过探索更多时刻预测、引入更先进的网络架构、调整网络参数、物理先验知识，不断优化模型预测效果。

后续的项目开发，我们期待与企业、高校、科研院所以及超算等伙伴携手共建，打造活跃的前瞻性的 AI for Science 开源社区，建立产学研闭环，推动科研创新与产业赋能。

产品基石

飞桨 AI for Science

百度飞桨（PaddlePaddle）将 AI 方法应用于典型的科学与工程领域，促进数学、物理、化学、生物等多个学科的交叉融合。目前针对通用物理科学、生物计算、量子机器学习领域发布了赛桨 PaddleScience、螺旋桨 PaddleHelix、量桨 Paddle Quantum 工具，并全量适配深度学习科学计算工具 DeepXDE，提供数据驱动、数理融合等多种 AI for Science 方法模型，提供复杂外形障碍物绕流、结构应力应变分析、设备对流散热、材料分子模拟等丰富领域算例，广泛支持AI+计算力学、生物计算、量子计算等前沿方向的科研和产业应用。

其中 AI for Science 工具组件赛桨 PaddleScience，是国内首个基于 AI 框架的公开且可应用于计算流体力学（ CFD ）领域的工具，提供端到端的应用 API，重点围绕高水平科研活动场景，解决重大科研问题。

赛桨 PaddleScience v1.0 正式版包含了如下四方面的特色：

API架构更新

从用户使用习惯角度，兼顾深度学习及 CFD&CAE 用户体验，从数据预处理、模型选择、网络优化求解、结果后处理等角度更新 API 元素，提升用户使用体验。

丰富的场景案例

提供 2D & 3D 圆柱绕流、涡激振动、对流散热及方程反演等基础案例，同时新增结构领域中 2D & 3D 结构受力分析案例。并提供气象预报、污染物扩散等相关案例，支持直接复用及二次开发。

底层模型更新

新增如CNN、U-Net、Transformer、GAN等经典神经网络模型以及FNO算子学习模型，并提供相应验证案例。

API升级更新

提供全新设计的 API 供用户自定义偏微分方程及定义各类边界条件，支持 2D & 3D 基础几何定义、STL 复杂外形解析及布尔操作等，并提供准随机采样、局部加密采样等功能。

未来，飞桨 AI for Science 将不断加大技术支持，为人工智能与力学科研发展赋能，汇聚科研成果、人才资源、产品创新，为 AI for Science 的发展提供坚实力量。

相关地址

飞桨科学计算实训示例

飞桨 AI for Science 共创计划

飞桨 PPSIG-Science 小组

飞桨 PaddleScience 工具组件