ANSYS ICEM CFD非结构壳/面网格生成实例——周期性流动和传热（以一个简单的例子为例）
步骤如下：1、设定工作目录File→Change Working Dir，选择文件工作路径2、创建Point创建P_A单击Geometry标签栏的Create Point按钮。在Create Point面板单击XYZ（Explict Coordinates），在Method下拉列表框中选择Creat 1 point，并在数据栏定义X=-2，Y=0.5，Z=0，其余采用默认设置，单击Apply按钮生成P_A。创建其余各点采用上一步的方法，生成其余点。P_B：X=-1，Y=0.5，Z=0P_
PLC(可编程逻辑控制器)——WPLSoft的基本操作
WPLSoft仿真操作选择新建文件或开启旧文件，点击仿真器图标→编译→下载→监控→运行，就可以实现对程序的仿真。如果要对程序进行修改，单击仿真器图标，退出仿真即可。启动仿真器之后不必选择通信接口即可进行监控、上下载程序等通信功能，操作方法与实际连接PLC相同。注意：仿真器仅供使用者在没有PLC的状况下测试程序，结果与实际PLC执行结果基本相同，程序在实际工程应用前请务必现在实机上测试。点击仿真器→编译下载点击确定监控运行单击仿真器图标→退出仿真WPLSoft编程软件仿真功能
Labview循环结构创建数组的例子
创建数组过程中可能会出现很多重复的内容，所以，大多时候可以利用循环结构来创建数组。下面通过生成100以内的随机整数创建一个4×4的二维数组。可按照以下步骤进行。步骤一创建一个VI，在程序框图中添加一个For循环结构，设置循环次数为“4”，用来创建数组列。步骤二在第一个For循环结构中，再添加一个For循环结构，同样设置循环次数为“4”，用来创建数组行。步骤三在第二个For循环体内，添加一个“随机数(0-1)”函数，将生成的随机数扩大100倍后，取整数部分，作为数组中的元素数据。步骤四在第一个
Labview数组函数
数组大小“数组大小”函数可显示控件返回数组的位数。如果数组是一维的，则返回一个32位整数值；如果数组是多维的，则返回一个32位一维整型数组。用一个实例来讲解一维数组和二维数组的大小，步骤如下：步骤一：创建一个VI，命名为“计算数组大小.vi”。步骤二：打开前面板，分别创建一个一维数组和一个二维数组，给数组元素赋予一些初始值。步骤三：打开程序框图，添加“数组大小”函数，连接相关接线端。步骤四：运行程序，在前面板窗口中即可显示结果。索引数组“索引数组”可用来索引数组元素或多维数组中的某一行或
ANSYS ICEM CFD二维结构网络生成实例——流动传热
问题描述与分析注射混合管是常见的流体机械，由直径一大一小的两个管径构成，如图所示。高温流体（t=40℃）以1.2m/s速度由下部管径流入，低温流体（t=20℃）以0.4m/s的速度由侧部管径流入，高低温流体掺混后在上部管径流出。本节选用的二维混合管尺寸如上图所示。学习本节时需要关注如下内容：1）基于基准点和增量创建点；2）拓扑结构分析方法。创建几何模型创建Point选择File→Change Working Dir，选择文件存储路径。创建P_1单击Geometry标签栏Creat Point
ANSYS FLUENT二维结构网络数值计算及后处理——流动传热
用ANSYS ICEM CFD划分网格的网格步骤在这篇文章中：ANSYS ICEM CFD二维结构网络生成实例——流动传热下面将在FLUENT软件中通过数值计算检验生成的网格是否满足计算要求。读入网格打开FLUENT，定义求解器参数，在Dimension栏选择2D求解器，其余选择默认设置，单击OK按钮。读入网格选择File→Read→Mesh，选择上一篇生成好的网格。定义网格单位选择Problem Setup→General→Mesh→Scale，在Scaling栏选择Specify Scal
Labview字符串的基础讲解
字符串函数字符串长度该函数可用于返回字符串、数组字符串、簇字符串等所包含的字符个数。连接字符串该函数的功能是将两个或多个字符串连接成一个新的字符串，拖动“连接字符串”函数下边框可以增加或减少字符串输入端个数。截取字符串该函数的功能是返回输入字符串的子字符串，从偏移量位置开始，第一个为0，输出长度端子输入数据个数的字符。替换子字符串该函数的功能是插入或替换子字符串，偏移量在字符串中指定，可以显示被替换的子字符串。该函数从偏移量位置开始在字符串中删除长度端子输入个数的字符，并使删除的
Python爬虫笔记——存储数据的基础知识(Csv、Excel)
存储成csv格式文件和存储成Excel文件，这两种不同的存储方式需要引用的模块也是不同的。操作csv文件我们需要借助csv模块；操作Excel文件则需要借助openpyxl模块。一、CSVimport csv#引用csv模块。csv_file = open('demo.csv','w',newline='',encoding='utf-8')#创建csv文件，我们要先调用open()函数，传入参数：文件名“demo.csv”、写入模式“w”、newline=''、encoding='utf-8'.
Python——利用sympy模块进行数学计算
参考链接：SymPy简易教程SymPy库常用函数简介SymPy是一个符号计算的Python库。它的目标是成为一个全功能的计算机代数系统，同时保持代码简洁、易于理解和扩展。它完全由Python写成，不依赖于外部库。SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散 数学、几何学、概率与统计、物理学等方面的功能。(来自维基百科的描述)基本数值类型实数，有理数和整数SymPy有三个内建的数值类型：实数，有理数和整数。有理数类用两个整数来表示一个有理数。分子与分母，所
python关于矩阵的基本程序知识——使用Numpy模块
python进行矩阵计算可以用两个模块：numpy和sympy1、Numpy创建矩阵：from numpy import *a1=array([1,2,3]) #数组a2=mat([1,2,3]) #矩阵a3=mat(a1)b=matrix([1,2,3]) #matrix是矩阵的意思print(a1)print(a2)print(a3)print(shape(a1),shape(a2),shape(a3))print(shape(b)) #shape——打印矩阵的行列数
用Python解矩阵方程——Numpy模块
用Python解矩阵方程，可以用两个模块——Numpy和Sympy矩阵方程：Ax=bA为系数矩阵，b为解集矩阵令B为A的增广矩阵1、Ax=b无解的充要条件：r(A)+1=r(B)2、Ax=b唯一解的充要条件：r(A)=r(B)=n3、Ax=b无穷多解的充要条件：r(A)=r(B)＜n1、Numpy这里要用到numpy.linalg模块import numpy as np# numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等
【numpy】np.random.choice
np.random.choice(a, size=None, replace=True, p=None)#a为一维数组或者int，size默认None，此时返回一个值，也可以为int或者tuple，replace=True为有放回的选择，可能出现重复，p为概率列表，之和应该为1.Parameters: a : 1-D array-like or int If an ndarray, a random sample is generated from its elements.
API_Net官方代码之数据处理
一、数据准备总结：RandomDataset ：用于验证 (val)BatchDataset：用于训练 (train)BalancedBatchSampler：决定如何采样样本，不是简单的在Dataloader中设置一个batch_size了1）导入的包类：import torchfrom PIL import Imageimport numpy as npfrom torchvision import transformsfrom torch.utils.data import .
API_Net官方代码之创建模型
导入包：import torchfrom torch import nnfrom torchvision import modelsimport numpy as npfrom skimage import io设置device：device = torch.device("cuda" if torch.cuda.is_available() else "cpu")1）计算批量样本通过resnet101后输出的批量向量的距离：计算方法是两个向量之间对应元素相减，再平方，再求和，使用完全
API_Net官方代码之utils工具
导入包import torchimport shutil二、模块1)保存模型参数，保存模型状态，状态中可以有模型参数，优化器参数，epoch等。如果是在验证集上表现比之前好，那么就是is_best=True，使用shutil.copyfile(src, des)将src文件直接拷贝到des，如果已经存在，就直接覆盖掉。def save_checkpoint(state, is_best, filename='checkpoint.pth.tar'):#state是一个字典，包含优化器、网络等参数
【pytorch】torch.manual_seed()
torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的if args.cuda: torch.cuda.manual_seed(args.seed)#为当前GPU设置随机种子；#如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。上面所说的固定指的是，在每次运行此程序时，程序后面产生的随机数与上次运行程序产生的随机数是相同的。参考文献：pytorch中的torch.manual_se
今日推荐
周排行