Skip to content
GitLab
Explorer
Connexion
S'inscrire
Navigation principale
Rechercher ou aller à…
Projet
S
Simulation Numérique
Gestion
Activité
Membres
Labels
Programmation
Tickets
Tableaux des tickets
Jalons
Wiki
Code
Requêtes de fusion
Dépôt
Branches
Validations
Étiquettes
Graphe du dépôt
Comparer les révisions
Extraits de code
Compilation
Pipelines
Jobs
Planifications de pipeline
Artéfacts
Déploiement
Releases
Registre de paquets
Registre de conteneur
Registre de modèles
Opération
Environnements
Modules Terraform
Surveillance
Incidents
Analyse
Données d'analyse des chaînes de valeur
Analyse des contributeurs
Données d'analyse CI/CD
Données d'analyse du dépôt
Expériences du modèle
Aide
Aide
Support
Documentation de GitLab
Comparer les forfaits GitLab
Forum de la communauté
Contribuer à GitLab
Donner votre avis
Conditions générales et politique de confidentialité
Raccourcis clavier
?
Extraits de code
Groupes
Projets
Afficher davantage de fils d'Ariane
Bruno Ploumhans
Simulation Numérique
Validations
fd90a4d4
Valider
fd90a4d4
rédigé
4 years ago
par
Technici4n
Parcourir les fichiers
Options
Téléchargements
Correctifs
Plain Diff
Tweak a little for the report
parent
5a22a306
Aucune branche associée trouvée
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
Modifications
1
Masquer les modifications d'espaces
En ligne
Côte à côte
Affichage de
1 fichier modifié
methodes-spectrales/main.py
+6
-3
6 ajouts, 3 suppressions
methodes-spectrales/main.py
avec
6 ajouts
et
3 suppressions
methodes-spectrales/main.py
+
6
−
3
Voir le fichier @
fd90a4d4
...
@@ -34,13 +34,13 @@ def run_simulation(L, u0, dt, timesteps, nu=1):
...
@@ -34,13 +34,13 @@ def run_simulation(L, u0, dt, timesteps, nu=1):
def
wrap_simulation
(
L
,
N
,
dt
=
0.05
,
tmax
=
200
,
nu
=
1
):
def
wrap_simulation
(
L
,
N
,
dt
=
0.05
,
tmax
=
200
,
nu
=
1
):
x
=
linspace
(
0
,
L
,
N
)
x
=
linspace
(
0
,
L
,
N
)
time_values
=
linspace
(
0
,
200
,
int
(
tmax
/
dt
)
+
1
)
time_values
=
linspace
(
0
,
tmax
,
int
(
tmax
/
dt
)
+
1
)
s
=
run_simulation
(
L
,
cos
(
2
*
pi
/
L
*
x
)
+
0.1
*
cos
(
4
*
pi
/
L
*
x
),
dt
,
len
(
time_values
)
-
1
,
nu
=
nu
)
s
=
run_simulation
(
L
,
cos
(
2
*
pi
/
L
*
x
)
+
0.1
*
cos
(
4
*
pi
/
L
*
x
),
dt
,
len
(
time_values
)
-
1
,
nu
=
nu
)
return
x
,
time_values
,
s
return
x
,
time_values
,
s
# define a few constants
# define a few constants
x
,
time_values
,
s
=
wrap_simulation
(
100
,
1024
)
x
,
time_values
,
s
=
wrap_simulation
(
100
,
1024
,
nu
=
1
)
# pick a nice color for the plot
# pick a nice color for the plot
colormap
=
plt
.
get_cmap
(
"
jet
"
)
colormap
=
plt
.
get_cmap
(
"
jet
"
)
# print the values
# print the values
...
@@ -71,10 +71,13 @@ def test_multiple_Ls(nu=1):
...
@@ -71,10 +71,13 @@ def test_multiple_Ls(nu=1):
# Plot A as a function of L for nu = 1
# Plot A as a function of L for nu = 1
Ls
,
As
,
critical_L
=
test_multiple_Ls
(
1
)
Ls
,
As
,
critical_L
=
test_multiple_Ls
(
1
)
plt
.
plot
(
Ls
,
As
)
plt
.
plot
(
Ls
,
As
)
plt
.
xlabel
(
"
L
"
)
plt
.
ylabel
(
"
A
"
)
plt
.
show
()
plt
.
show
()
# Now find the critical value for multiple nus
# Now find the critical value for multiple nus
nus_exp
=
linspace
(
-
0.5
,
1.75
,
20
)
nus_exp
=
linspace
(
-
0.5
,
1.75
,
20
)
# nu between e^-0.5 and e^1.75
nus
=
exp
(
nus_exp
)
# use a log scale
nus
=
exp
(
nus_exp
)
# use a log scale
critical_Ls
=
zeros
(
nus
.
shape
)
critical_Ls
=
zeros
(
nus
.
shape
)
for
i
,
nu
in
enumerate
(
nus
):
for
i
,
nu
in
enumerate
(
nus
):
...
@@ -89,7 +92,7 @@ from sklearn.linear_model import LinearRegression
...
@@ -89,7 +92,7 @@ from sklearn.linear_model import LinearRegression
reg
=
LinearRegression
().
fit
(
log
(
nus
).
reshape
(
-
1
,
1
),
log
(
critical_Ls
))
# we fit the logs
reg
=
LinearRegression
().
fit
(
log
(
nus
).
reshape
(
-
1
,
1
),
log
(
critical_Ls
))
# we fit the logs
# because we fitted the logs, we have the predict with the log, then take the exp()
# because we fitted the logs, we have the predict with the log, then take the exp()
plt
.
plot
(
nus
,
exp
(
reg
.
predict
(
log
(
nus
).
reshape
(
-
1
,
1
))),
label
=
"
Linear Regression (slope = %f)
"
%
reg
.
coef_
)
plt
.
plot
(
nus
,
exp
(
reg
.
predict
(
log
(
nus
).
reshape
(
-
1
,
1
))),
label
=
"
Linear Regression (slope = %f)
"
%
reg
.
coef_
)
plt
.
xlabel
(
"
$nu$
"
)
plt
.
xlabel
(
"
$
\\
nu$
"
)
plt
.
ylabel
(
"
Critical L
"
)
plt
.
ylabel
(
"
Critical L
"
)
plt
.
xscale
(
"
log
"
)
plt
.
xscale
(
"
log
"
)
plt
.
yscale
(
"
log
"
)
plt
.
yscale
(
"
log
"
)
...
...
Ce diff est replié.
Cliquez pour l'agrandir.
Aperçu
0%
Chargement en cours
Veuillez réessayer
ou
joindre un nouveau fichier
.
Annuler
You are about to add
0
people
to the discussion. Proceed with caution.
Terminez d'abord l'édition de ce message.
Enregistrer le commentaire
Annuler
Veuillez vous
inscrire
ou vous
se connecter
pour commenter