后处理过程都是基于商业软件进行的,很多数据加工的功能受限于软件的函数接口,因此不够丰富。同时,基于hypergraph或meta的后处理都需要启动软件来完成数据处理,如果进行优化集成则(后台)启动后处理软件也需要一些时间。
这里介绍一些基于Python的CAE结果后处理方法,而不是基于商业软件来完成。包括Nastran结果文件.op2和.pch,LSDYNA结果文件d3plot和binout等自动后处理过程。ABAQUS的开发语言支持Python,因此对于ABAQUS的.odb结果自动后处理就不做过多的介绍。这些自动后处理过程既可用于常规分析自动后处理,也可以用于多学科优化时优化流程的集成,且这些过程不需要商业软件,只需要简单的配置下Python环境即可。
本文介绍基于Python的Nastran结果文件.pch自动后处理,包括IPI、VTF等。
一、IPI自动后处理
# -*- coding: utf-8 -*-
"""
Created on Tue Mar 9 12:31:51 2090
@author: Ansyent
"""
import nastran_pch_reader
import math
import numpy as np
import matplotlib.pyplot as plt
#获得pch文件
p = nastran_pch_reader.PchParser('F:/07_TempFileCheck/IPI_NTF_VTF/XXX_IPI.pch')
#设置动刚度目标值和节点列表
target = 7000
nodeidlist = ['1001','1002','1003','1004','2001','2002','2003','3001','3002'\
,'3003','3004','4001','4002','4003','4004','4005','4006']
#获得工况列表
subcaselist = p.get_subcases()
#构造计算面积函数
def integrate(x,y):
area = np.trapz(y=y,x=x)
return area 这里定义了一个计算曲线面积的函数,用于后续动刚度计算。
for i in range(int(len(subcaselist)/3)):
ax = p.get_accelerations(subcaselist[3*i+0]) #获得工况3*i+0加速度,结果为字典
ay = p.get_accelerations(subcaselist[3*i+1]) #获得工况3*i+1加速度,结果为字典
az = p.get_accelerations(subcaselist[3*i+2]) #获得工况3*i+2加速度,结果为字典
freq = list(ax.keys()) #获得频率列表
其中ax、ay、az是通过get_accelerations函数得到的一个包含所有分析输出频率个数的字典,字典的键为频率,值为包含六个方向的加速度值,即三个平动三个转动加速度值的列表。并且是通过实部虚部给出的,我们要的是幅值和相位表达,因此后续需要通过abs函数求出对应的幅值。
在spyder环境下运行的效果。
结果图片:
二、VTF自动后处理
# -*- coding: utf-8 -*-
"""
Created on Wed Mar 10 13:14:55 2090
@author: Ansyent
"""
import nastran_pch_reader
import scipy.signal as sgn
import matplotlib.pyplot as plt
#获得pch文件
p = nastran_pch_reader.PchParser('F:/07_TempFileCheck/IPI_NTF_VTF/TB_VTF.PCH')
#设置VTF目标值
target = 8
nodeidlist = ['101','102','201','202','301','302','303','304','501','502'\
,'503','504','601','602','603','604','1002','1003','1005'\
,'1006','1007','1101','1102','1103','1104']
#获得工况列表
subcaselist = p.get_subcases()
directionlist = ['X','Y','Z']
for j in range(int(len(subcaselist)/3)):
for i , direction in enumerate(directionlist):
acc_motivation = p.get_accelerations(subcaselist[3*j+i])
freq = list(acc_motivation.keys())
targetcurve = [target]*len(freq)
acc_x = [abs(acc_motivation[f][0]) for f in freq]
acc_y = [abs(acc_motivation[f][1]) for f in freq]
acc_z = [abs(acc_motivation[f][2]) for f in freq]
for acc in [acc_x,acc_y,acc_z]:
numpeaks = sgn.find_peaks(acc,distance=3)
xpotion = list(numpeaks[0])
yvalue = [acc[freq.index(i)] for i in xpotion]
for y in yvalue:
if y > target:
s = plt.scatter(xpotion[yvalue.index(y)], y, marker='*',c='r') 这里通过scipy中的find_peaks函数找到不满足目标值的局部极值点,并在图中用红色的*号标记出来。
width,height=10,6.6
plt.rcParams['figure.figsize'] = width, height
plt.plot(freq,acc_x,'r',label=nodeidlist[j]+direction+"-x")
plt.plot(freq,acc_y,'g',label=nodeidlist[j]+direction+"-y")
plt.plot(freq,acc_z,'y',label=nodeidlist[j]+direction+"-z")
plt.plot(freq,targetcurve,'--k',label="Target" + str(target))
plt.title("N" + nodeidlist[j])
plt.xlabel("Frequency[Hz]")
plt.ylabel("Acceleration[mm/s^2]")
plt.xlim(freq[0],freq[-1])
plt.ylim(bottom=0)
plt.legend()
#plt.savefig('F:/07_TempFileCheck/IPI/' + nodeidlist[i] + '.png')
plt.show()
(注:这里只是为了演示,因此把目标值设置为8)。
以上只是简单介绍了.pch文件的读取和结果自动后处理过程,整个过程只需要几行Python代码即可完成。运行时间也就几秒钟。而不需要在商业软件中来进行。如果是进行优化集成,则不要输出结果图片等信息,只需要输出结果响应即可,会大大提高效率。同时,如果需要自动生成报告和结果统计等,只需要在次基础上添加简单的几行命令即可,十分方便简洁。
后续介绍ls-dyna结果d3plot和binout自动后处理方法。
免责声明:本文系网络转载或改编,未找到原创作者,版权归原作者所有。如涉及版权,请联系删