Python 参数植物 3d python 参数建模方法
基于Python脚本ABAQUS参数化建模方法
基于Python脚本ABAQUS参数化建模方法
摘要:本文总结了运用ABAQUS/CAE录制的脚本代码整理编译形成Python脚本,直接提交ABAQUS内核运算的几种常用简便方法。并将研究变量设置为Python脚本中的函数自变量,形成参数化建模计算脚本,通过改变关键参数即可改变研究变量,达到单因素改变快速建模分析运算的目的。最后通过一个悬臂梁实例的参数化建模和循环优化分析,验证了这一方法的可行性和高效性。
关键词:ABAQUS/CAE;Python脚本;参数化建模;前处理 中图分类号:TP391 ABAQUS 是一套功能强大的工程模拟的有限元软件,其解决问题的范围从相对简单的线性分析到许多复杂的非线性问题。ABAQUS 包括一个丰富的、可模拟任意几何形状的单元库。并拥有各种类型的材料模型库,可以模拟典型工程材料的性能,其中包括金属、钢筋混凝土以及土壤和岩石等地质材料,作为通用的模拟工具,除了能解决大量结构(应力 / 位移)问题,还可以模拟其他工程领域的许多问题[1]。 Abaqus提供的用户图形界面CAE可以很方便的进行常规建模操作,但当用户需要建立大量单因素变量模型时,使用CAE建模方式就显得低效了。为了解决这一问题,本文将采用Python脚本的方式将建模参数化,达到改变关键变量快速建模分析的目的。 1Python语言在Abaqus中的应用 Abaqus软件包括三块:内核(kernel),GUI和分析过程[2][4]。Python语言作为abaqus的内核脚本语言,将CAE中的所有操作以脚本(script)方式编译储存,提交Abaqus 内核进行计算。基于这样的原理,我们可以按照Python的编译方式人为编写我们需要的脚本代码,通过GUI直接提交Abaqus内核,可以达到与CAE同样的建模效果,在某些情况下甚至能完成一些在CAE操作中不能完成的功能。 运用Python脚本完成CAE操作的一般规则如下: mdb.models['Model-1'].Sketch(name='__profile__', sheetSize=100.0) 上面这段代码的功能是将草图区域设置为大小100*100。 以上只是列举一个简单的设置参数的脚本代码来说明运用Python脚本进行建模初始设置的方法,可以看出Python脚本语言非常简洁,易读性好。作为abaqus二次开发的一个重要方法,Python脚本正???到越来越多的学者和科研工作人员的学习和研究[3]。 Python脚本编写与参数化 2.1 脚本编写简便方法 Python脚本语言虽然简单易懂,但我们进行二次开发并不需要完全逐行编写代码来完成建模操作,Abaqus软件自带的脚本录制工具可以方便的让我们获取大量脚本代码,通过删减和组合,即可完成Python脚本编译。目前常用的脚本录制方式有以下三种: (1)在abaqus/CAE中录制宏文件。启动Abaqus/CAE,在菜单中选择Macro Manager进行脚本录制,完成CAE建模操作后,点击停止即可保存本次CAE建模过程中的所有操作对应的脚本代码[3]。 (2)运用*.jnl文件创建Python脚本。 *.jnl文件是Abaqus的日志文件,里面包含了用于复制已存储模型数据库的ABAQUS/CAE命令。整理abaqus.jnl中记录的命令,可将其复制整理后直接粘贴到文本中,将文件后缀改为*.py即可提交运行。 (3)运用*.rpy文件创建Python脚本。 *.rpy文件记录一次操作中几乎所有的ABAQUS/CAE命令。用文本编辑软件打开当前操作记录的abaqus.rpy文件,将有效部分脚本复制出来,将文件后缀改为*.py文件,即可直接提交运行。 以上三种是常用的利用ABAQUS/CAE进行脚本录制和创建Python脚本进行二次开发的方法。由于模型的复杂程度不同,会导致录制脚本的复杂程度不尽相同,据此,本文总结了以下几点需要注意的问题: (1)利用ABAQUS/CAE录制的脚本记录下了CAE操作中的所有命令和操作,其中包括视角转换操作代码和错误操作命令代码等,这需要我们在创建Python脚本时加以甄别和删减组合。 (2)在记录脚本之前在CAE建模之前先在脚本输入框中输入代码设置journalOptions。作用在于将CAE操作中所输入的数据以坐标方式记录到脚本中,方便后续建模参数化和变量替换。 2.2 参数化建模方法 首先,要建立建模环境,从Abaqus 中导入建模所需的所有程序模块。 其次,关键变量设置。如下例所示,将研究参数设置为变量,便于后期改变变量值完成重复性建模。
推荐阅读
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
用 python 抓取微博用户信息(二)--获取 cookie 的方法和配置中的参数设置
-
Python 参数植物 3d python 参数建模方法
-
Python中的getopt方法 - 用于处理命令行参数的Python getopt函数