Python氮氧甲烷乙烷乙烯丙烯气体和固体热力学模型计算

本文主要是介绍Python氮氧甲烷乙烷乙烯丙烯气体和固体热力学模型计算,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

  1. 🎯固体和粒子:计算二态系统、简谐振子和爱因斯坦固体的内能和比热,比较爱因斯坦固体和德拜固体。模拟多个粒子的一维和二维随机游走,在数值上确认方差的线性趋势,模拟多个粒子的梯度下降,模拟双井的梯度下降。
  2. 🎯混合物:🖊建立理想气体及其混合物和多相纯物质的属性模型 。
  3. 🎯计算给定条件下的气体数值:🖊氮给定条件下的焦耳-汤姆逊系数 | 🖊气态氧流等熵效率的比功和出口气体温度 | 🖊液态水流量泵的冷却负荷和轴功率 | 🖊甲烷与十二烷合并流温度 | 🖊制冷剂经饱和蒸气压缩后的出口压力 | 🖊液氨储存罐安全体积 | 🖊氮气流过阀门哪一部分变成液体 | 🖊二氧化碳和氧气合流绝热压缩和等温压缩的压缩功率 | 🖊乙烯经两阀门膨胀后的温度 | 🖊蒸馏塔中塔压下降时泄漏率会如何变化 | 🖊丙烯储存容器加热后初始压力和最终温度 | 🖊氧气流被压缩机压缩后,压缩机功率和氧气出口温度 | 🖊热力循环水经过恒压加热、等熵膨胀、恒压冷凝和等熵压缩后的热效率 | 🖊计算甲烷焦耳-汤姆逊系数 | 🖊氨被压缩后,每摩尔压缩机的负荷和出口温度 | 🖊蒸汽压缩循环模拟。
  4. 🎯Python和C++物理计算热力学 | 🎯Python物理差分方程解​

🍇Python水波纹偏微分方程

有一个不可否认的事实:波一直在我们周围。 无论是通过电磁辐射、空气中传播的声音,还是由一滴水引起的涟漪,波绝对无处不在。 尽管其形式多种多样,但在所有波浪中都适用的一件事是控制它们的严格物理规则。 在数学上,所有这些物理规则都浓缩为一个简单的微分方程之一:波动方程。
∂ 2 u ∂ t 2 = c 2 ( ∂ 2 u ∂ x 2 + ∂ 2 u ∂ y 2 ) \frac{\partial^2 u}{\partial t^2}=c^2\left(\frac{\partial^2 u}{\partial x^2}+\frac{\partial^2 u}{\partial y^2}\right) t22u=c2(x22u+y22u)
波动方程告诉我们任何波如何在空间中传播并随时间演化,它为我们提供了函数 u(t, x, y),该函数给出了任意时间内任意点 (x, y) 处的波的高度 t。 本质上,如果你告诉波动方程,你把一个球扔进池塘,它会告诉你球产生的涟漪如何随着时间的推移而发展,并允许你预测由此引起的水的变化。 就像你告诉波动方程你尽可能大声尖叫一样,它会告诉你你创建的声波将如何传播并与环境相互作用。 总而言之,通过求解波动方程,我们将能够轻松模拟我们的纹波。

想象一下,两个人最初紧紧地握着一根绳子(红色),然后一个人快速上下移动手,在绳子上释放出波浪。在波穿过这条绳子后拍一张快照,我们想弄清楚它将如何随着时间的推移继续演化。 为了举例说明,我们假设一根无重力的无摩擦绳索。 为了开始解决这个问题,我们首先定义一些变量。

绳索在位置 x 和时间 t 处的高度将被称为函数 u(t, x) 的值。 考虑到这一点,我们要考虑什么可能会导致绳索随着时间的推移而发生变化。 由于我们确定不存在重力或摩擦力,因此作用在绳子上的唯一力就是张力,我们可以想象,张力在绳子的最小和最大高度处最大。

本质上,这是对凹度的陈述,因为张力在沿着绳索的高弯曲点处达到最高,并且随着远离这些点而减弱。 这里最终可以确定的是,在绳索上的任何给定点,它所承受的张力与其凹度成正比。 由于微积分告诉我们函数的凹性是由其在空间中的二阶导数定义的,因此我们可以将其表述为:
F tension  = k ∂ 2 u ∂ x 2 F_{\text {tension }}=k \frac{\partial^2 u}{\partial x^2} Ftension =kx22u
其中 k 是一个简单的比例常数。 现在我们必须找到一种方法,将力用 u 表示,并将其转化为我们可以解决和使用的东西。 研究牛顿第二定律,它告诉我们 F = ma,允许快速替换,结果为:
m a = k ∂ 2 u ∂ x 2 m a=k \frac{\partial^2 u}{\partial x^2} ma=kx22u
其中 m 是该点的质量,a 是加速度,u 是高度,k 是比例常数。 正如物理学告诉我们的那样,任何处理位置的函数的加速度只是其相对于时间的二阶导数,这意味着我们可以将方程重新定义为:
∂ 2 u ∂ t 2 = k m ∂ 2 u ∂ x 2 \frac{\partial^2 u}{\partial t^2}=\frac{k}{m} \frac{\partial^2 u}{\partial x^2} t22u=mkx22u
离散化波动方程
∂ 2 u ∂ t 2 = c 2 ( ∂ 2 u ∂ x 2 + ∂ 2 u ∂ y 2 ) \frac{\partial^2 u}{\partial t^2}=c^2\left(\frac{\partial^2 u}{\partial x^2}+\frac{\partial^2 u}{\partial y^2}\right) t22u=c2(x22u+y22u)
在代码中,网格域将如下所示:

Lx = 10 
Nx = 80 
Ly = 10 
Ny = 80 x_vec = numpy.linspace(0, Lx, Nx) 
dx = x_vec[2] - x_vec[1] y_vec = numpy.linspace(0, Ly, Ny)
dy = y_vec[2] - y_vec[1] 

dt 可以选择,这就是对我有用的数字,c 保持为 1 以保持方程简单。 dt 越小越好,因为它将导致更准确但更慢的模拟。

dt = .025 
Nt = 4000 
c = 1 
u = numpy.zeros([Nt, len(x), len(y)])

如前所述,我们希望在池的中心出现扰动(中心为 (nx/2, ny/2)),因此 t-dt 和 t 的初始条件如下所示:

u[0, Nx // 2, Ny // 2] = numpy.sin(0) 
u[1, Nx // 2, Ny // 2] = numpy.sin(1/10) 

最后,要解决所有问题,我们要做的就是迭代时间并将所有值代入离散方程,从而得到:

for t in range(1, Nt-1):for x in range(1, Nx-1):for y in range(1, Ny-1):if (t < 100):u[t, Nx // 2, Ny // 2] = numpy.sin(t / 10)u[t+1, x, y] = c**2 * dt**2 * ( ((u[t, x+1, y] - 2*u[t, x, y] + u[t, x-1, y])/(dx**2)) + ((u[t, x, y+1] - 2*u[t, x, y] + u[t, x, y-1])/(dy**2)) ) + 2*u[t, x, y] - u[t-1, x, y]

现在您已经通过求解波动方程正式模拟了水波纹!只需迭代计算值并在代码中为每个步骤及时绘制一个曲面:

fig = pyplot.figure()
ax = fig.add_subplot(111, projection='3d')
X, Y = numpy.meshgrid(x_vec, y_vec)
for t in range(0, Nt):surf = ax.plot_surface(X, Y, u[t], color='b', shade=True,linewidth=0, antialiased=False)ax.view_init(elev=45)ax.set_zlim(-.0001, 2.4)pyplot.axis('off')pyplot.pause(.0001)pyplot.cla()

参阅一:计算思维

参阅二:亚图跨际

这篇关于Python氮氧甲烷乙烷乙烯丙烯气体和固体热力学模型计算的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/964613

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言