我的项目背景
以后,常见的大气污染预测模型大多是基于物理机理构建的,比方空气质量预测模型 Calpuff、AERMOD、CMAQ 等。然而,这些模型运算较为简单,对于输出数据的要求十分高,运算耗时也比拟长,适宜用于惯例固定区域的预报。当遇到突发净化事件时,就无奈无效发挥作用。
针对以上问题,本我的项目以某城区 3km*3km 范畴的固定模仿区域,依据污染物扩散模型,疾速计算任意开释点源和任意风向的污染物扩散动图,并进行精度评估。仅利用城市部分污染物扩散云图作为输出,应用深度学习模型提取图像中污染物扩散的特色,纯数据驱动,无需建设物理模型,预测耗时短,适宜作为突发净化扩散事件时的应急处理决策辅助。
我的项目需要
课题名称
基于数据驱动的污染物扩散深度学习模型案例
课题需要
内部单位提供数据集,总数据集详细描述:120 个动图数据(3 个风速 5 个开释源点位 8 个风向)。选取其中任意 1 个动图的数据,基于数据驱动类模型(模型不限度)提取数据特色,失去污染物扩散模型,可对污染物扩散进行预测。
- 我的项目地址
https://aistudio.baidu.com/aistudio/projectdetail/5663515
实现过程
数据集
咱们抉择了风速 15m/s,风向正北,Pos_0 作为污染源开释点的动图数据,数据来源于某城区 3km*3km 范畴的固定区域内污染物扩散 CFD 模仿后果(南京欧帕提亚公司提供),共 745 秒 148 张污染物浓度云图,两张图片工夫距离 5 秒。
基于飞桨 2.4.0 的开发环境,在对动图解压之后,咱们发现动图解压失去的 181 张动态图片中第 148 张之后的图片存在显著的图像抖动。咱们采纳了基于 Harris 角点检测的图像对齐算法进行解决,然而图像抖动没有失去齐全打消。为了保障模型输出数据的品质,咱们抛弃了第 148 张之后的动态图片。
图 1 原始数据
U-Net 网络模型
网络模型如图 2 所示,其由 3 个 Encoder/Decoder、9 个卷积 Conv、9 个反卷积 Conv-T 组成,约 30 万个训练参数。之所以抉择 U-Net,是因为该网络在图像宰割和指标辨认中利用宽泛,污染物扩散模式学习能够看作是一种动静的指标辨认工作,只不过指标的状态比拟形象;另一个起因是 U-Net 的代码实现较简略,短时间内能够实现网络的搭建。
图 2 U-Net 网络图
外围代码
import paddle
import paddle.nn as nn
import paddle.nn.functional as F
from paddle.nn.utils import weight_norm
# 创立根底卷积层
def create_layer(in_channels, out_channels, kernel_size, wn=True, bn=True,
activation=nn.ReLU, convolution=nn.Conv2D):
assert kernel_size % 2 == 1
layer = [ ]
conv = convolution(in_channels, out_channels, kernel_size, padding=kernel_size // 2)
if wn:
conv = weight_norm(conv)
layer.append(conv)
if activation is not None:
layer.append(activation())
if bn:
layer.append(nn.BatchNorm2D(out_channels))
return nn.Sequential(*layer)
# 创立 Encoder 中的单个块
def create_encoder_block(in_channels, out_channels, kernel_size, wn=True, bn=True,
activation=nn.ReLU, layers=2):
encoder = [ ]
for i in range(layers):
_in = out_channels
_out = out_channels
if i == 0:
_in = in_channels
encoder.append(create_layer(_in, _out, kernel_size, wn, bn, activation, nn.Conv2D))
return nn.Sequential(*encoder)
# 创立 Decoder 中的单个块
def create_decoder_block(in_channels, out_channels, kernel_size, wn=True, bn=True,
activation=nn.ReLU, layers=2, final_layer=False):
decoder = [ ]
for i in range(layers):
_in = in_channels
_out = in_channels
_bn = bn
_activation = activation
if i == 0:
_in = in_channels * 2
if i == layers - 1:
_out = out_channels
if final_layer:
_bn = False
_activation = None
decoder.append(create_layer(_in, _out, kernel_size, wn, _bn, _activation, nn.Conv2DTranspose))
return nn.Sequential(*decoder)
# 创立 Encoder
def create_encoder(in_channels, filters, kernel_size, wn=True, bn=True, activation=nn.ReLU, layers=2):
encoder = [ ]
for i in range(len(filters)):
if i == 0:
encoder_layer = create_encoder_block(in_channels, filters[i], kernel_size, wn, bn, activation, layers)
else:
encoder_layer = create_encoder_block(filters[i - 1], filters[i], kernel_size, wn, bn, activation, layers)
encoder = encoder + [encoder_layer]
return nn.Sequential(*encoder)
# 创立 Decoder
def create_decoder(out_channels, filters, kernel_size, wn=True, bn=True, activation=nn.ReLU, layers=2):
decoder = []
for i in range(len(filters)):
if i == 0:
decoder_layer = create_decoder_block(filters[i], out_channels, kernel_size, wn, bn, activation, layers,
final_layer=True)
else:
decoder_layer = create_decoder_block(filters[i], filters[i - 1], kernel_size, wn, bn, activation, layers,
final_layer=False)
decoder = [decoder_layer] + decoder
return nn.Sequential(*decoder)
# 创立网络
class UNetEx(nn.Layer):
def __init__(self, in_channels, out_channels, kernel_size=3, filters=[16, 32, 64], layers=3,
weight_norm=True, batch_norm=True, activation=nn.ReLU, final_activation=None):
super().__init__()
assert len(filters) > 0
self.final_activation = final_activation
self.encoder = create_encoder(in_channels, filters, kernel_size, weight_norm, batch_norm, activation, layers)
decoders = [ ]
# for i in range(out_channels):
decoders.append(create_decoder(out_channels, filters, kernel_size, weight_norm, batch_norm, activation, layers))
self.decoders = nn.Sequential(*decoders)
def encode(self, x):
tensors = [ ]
indices = [ ]
sizes = [ ]
for encoder in self.encoder:
x = encoder(x)
sizes.append(x.shape)
tensors.append(x)
x, ind = F.max_pool2d(x, 2, 2, return_mask=True)
indices.append(ind)
return x, tensors, indices, sizes
def decode(self, _x, _tensors, _indices, _sizes):
y = [ ]
for _decoder in self.decoders:
x = _x
tensors = _tensors[:]
indices = _indices[:]
sizes = _sizes[:]
for decoder in _decoder:
tensor = tensors.pop()
size = sizes.pop()
ind = indices.pop()
# 反池化操作,为上采样
x = F.max_unpool2d(x, ind, 2, 2, output_size=size)
x = paddle.concat([tensor, x], axis=1)
x = decoder(x)
y.append(x)
return paddle.concat(y, axis=1)
def forward(self, x):
x, tensors, indices, sizes = self.encode(x)
x = self.decode(x, tensors, indices, sizes)
if self.final_activation is not None:
x = self.final_activation(x)
return x
训练
训练时输出数据为上一时刻的污染物云图,输入为预测的下一时刻的污染物云图。以后的训练 batch-size 为 1,即只预测下一时刻的污染物扩散状况。训练时,每 10 个 epoch 保留一次模型,避免训练意外中断时模型参数失落。
# 训练方法
def train(model, train_dataset, criterion, optimizer, device, num_epochs):
loss_history = [ ]
epoch_loss = 0
# 遍历批次
for epoch in range(num_epochs):
optimizer.clear_grad()
for batch_id in range(len(train_dataset)-1):
inputs = train_dataset[batch_id]
outputs_true = train_dataset[batch_id+1]
inputs = T.ToTensor()(inputs)
inputs = paddle.unsqueeze(inputs, 0)
outputs_true = T.ToTensor()(outputs_true)
outputs_true = paddle.unsqueeze(outputs_true, 0)
# 训练
outputs = model(inputs)
# 计算损失值
loss = criterion(outputs, outputs_true)
if batch_id % 10 ==0:
print('epoch:',epoch,'batch_id:',batch_id,'loss:',loss.numpy())
loss.backward()
epoch_loss += loss.item()
optimizer.step()
epoch_loss /= len(train_dataset)
loss_history.append(epoch_loss)
print("Epoch [{}/{}], Loss: {:.8f}".format(epoch + 1, num_epochs, loss.numpy()[0]))
# 保留模型
if epoch % 10 == 0:
save_model(model, '/home/aistudio/pollution_model.pdparams')
print("Training complete.")
return loss_history
预测
预测时,输出测试数据某时刻的污染物扩散云图,预测下一时刻的污染物扩散状况。测试函数中 supervise 这个 flag 为后续间断预测多个时刻的数据预置了接口。目前 supervise 置为 true,当模型准备间断预测多个时刻数据时,测试时将 supervise 置为 false。
def test():
# 初始化后果列表
results = [ ]
# 测试汇合起始点
inputs = test_dataset[0]
inputs = T.ToTensor()(inputs)
inputs = paddle.unsqueeze(inputs, 0)
# 是否 supervise
flag_supervise = True
device = paddle.set_device('gpu' if paddle.is_compiled_with_cuda() else 'cpu')
# 加载模型
model = UNetEx(3,3,3)
load_model(model,'/home/aistudio/pollution_model.pdparams',device)
for num in range(1,10):
# 进行预测
outputs = model(inputs)
outputs_np = outputs.numpy()
outputs_np = np.squeeze(outputs_np, axis=0) # 去除第一个维度(batch_size)outputs_np = np.transpose(outputs_np, (1, 2, 0)) # 将通道维度调整为最初一个维度
outputs_np = (255 * np.clip(outputs_np, 0, 1)).astype('uint8')
#outputs_np = outputs_np.transpose([1, 2, 0])
#outputs_np_uint8 = (outputs_np * 255).astype(np.uint8)
# 将预测后果增加到后果列表中
results.append(outputs_np)
if flag_supervise == False:
# 将预测后果作为下一帧的输出
inputs = outputs
else:
# 应用实在数据预测
inputs = test_dataset[num+1]
inputs = T.ToTensor()(inputs)
inputs = paddle.unsqueeze(inputs, 0)
return results
results = test()
我的项目成绩
图 3 计算函数损失值
图 4 比照 CFD 模仿参数比照
图 5 残差值比照
如图 5 所示,浓度误差次要集中在污染源左近(如图红色框),次要数值散布在 -0.02~0.02 之间。不同色彩别离代表不同浓度区间误差,蓝色示意的低浓度相对误差较小,绿色红色示意的中高浓度误差平均误差较高,绿色区域表征的中等浓度区域,偏大的误差影响的面积较大。
图 6 数值比照
将来倒退方向
预测能力方面
- 基于前一时刻的污染物浓度云图,预测后十个时刻、二十个时刻,四十个时刻的污染物浓度云图;
- 尝试用多时刻预测多时刻。
网络方面
- 尝试引入更先进的网络架构,如 transformer;
- 对于网络层数和每层网络的神经元个数,尝试进行敏感性剖析和误差剖析;
- 尝试引入更多品种的激活函数如 tanh,silu 等;
- 尝试对 learning rate、batch size 等超参数进行调整试验。
物理原理方面
- 尝试引入物理先验常识,对修建、边界地位施加 loss 软束缚;
- 尝试利用流体 NS 方程对模型进行修改。
模型方面
- 尝试引入更多参数作为输出:如污染源地位、污染源初始浓度等进步模型的适应能力;
- 减少模型参数量级,摸索大模型对简单多态问题的解决能力;
- 尝试和传统流体求解办法进行交融。
我的项目意义与心得
本我的项目尝试用 U-Net 网络通过污染物扩散云图来学习污染物扩散的模型参数,对污染物扩散进行疾速预测,是数据驱动计算场景拓展的一次摸索。从我的项目后果来看,模型计算速度相比 CFD 模仿晋升显著,然而模型预测的成果还有待晋升,将来将通过摸索以上几个方向,一直优化模型预测成果。我的项目实现过程中,咱们破费了大量的工夫解决背景存在抖动的图像,直到起初发现有一部分数据集的品质要远远好于另一部分,咱们抉择放弃品质不好的数据,从而放慢了我的项目的停顿。
数据处理过程中有以下几个方面的心得。
第一 ,对我的项目的数据应该第一工夫进行全局摸索,理解数据的全貌,对数据品质进行评估;
第二 ,与其破费大量的工夫解决品质不好的数据,不如先应用品质较好的数据,优先做对模型获得停顿更加要害的事件;
第三 ,绝对于扭转模型的构造,进步输出数据的品质对模型的训练后果起到更加踊跃的作用。一些开源模型的成果无奈复现的起因在于训练数据的不公开,即使大家都用到同样构造的网络,然而训练数据不同,模型获得的成果就大不相同。从这个角度看,模型参数是训练数据在网络上留下的压缩信息,训练数据存在的瑕疵很难通过优化网络来解决。
飞桨 AI for Science 共创打算为本我的项目提供了弱小的技术支持,打造沉闷的前瞻性的 AI for Science 开源社区,通过飞桨 AI for Science 共创打算,学习到了如何在飞桨平台上应用科学计算的 AI 办法去解决 CFD 模仿预测的问题,并且大幅度提高了数据驱动计算的速度。置信将来会有越来越多的我的项目通过 AI for Science 共创打算建设产学研闭环,推动科研翻新与产业赋能。
相干地址
- 飞桨 AI for Science 共创打算
https://www.paddlepaddle.org.cn/science
- 飞桨 PPSIG-Science 小组
https://www.paddlepaddle.org.cn/specialgroupdetail?id=9
- 飞桨 PaddleScience 工具组件
https://github.com/PaddlePaddle/PaddleScience