渗流模型的实现与解读
什么是渗流:
流体渗流是指流体在孔隙介质中的流动。
渗流状态,是指系统中出现一个大的集群,能够将这些集群节点的和邻居节点的边界打通、渗透(只考虑上下左右四个方向的邻居,集群即团簇)。
模型详解
首先,我们考虑 L × L的格子,我们一个一个地遍历白色格子,以概率为p1,p0去给这些格子染色。我们到第一个格子,就抛一枚硬币,假设这枚硬币正反面不均匀,正面出现的概率为p1,反面出现的概率为1-p1。
如果硬币出现正面,那么我就把当前格子染成黑色;如果硬币出现反面,那么我就不用管,让格子保留原来的白色。
然后考虑所有的黑色格子,当相邻的格子都为黑色时,我们就将其染成同一颜色,即黑色格子山下左右为黑色时,这几个格子成为一个团簇,染成同一种颜色。
不难发现,当p1的概率不断增大时,即1出现的次数增加,则黑色格子会越来越多,所构成的团簇也会越来越大,最终合并为一个团簇。
实验流程(附代码)
1.将所需要用到的库导入到python环境中:
# -*-coding:utf-8-*-
import numpy as np #用于创建随机数
import matplotlib.pyplot as plt #绘图
import sys #用于更改系统迭代次数
from collections import Counter #计数器
import time # 用于记录程序运行时间
import matplotlib as mpl
2.创建原始矩阵
biao = np.random.choice(10000, 10000, replace=False)#创建一万个随机数,用于存放下标
nums = np.random.choice([0, 1], size=10000, p=[1, 0]) #也可以使用np.zeros,此处便于后期调试
sd = nums.reshape(100, 100)#创建100x100的全零矩阵
xiabiao = []
for i in range(100):for j in range(100):xiabiao.append([i, j])#存放矩阵的随机下标,共10000个
#该函数用于随机向矩阵a中投入1,共10000次,即1出现的概率为0~1
def juzhen(s):global asd[xiabiao[s][0]][xiabiao[s][1]] = 1a = sd.copy()return a
3.遍历矩阵,进行团簇分类
使用递归函数进行遍历,含有周期性边界条件。
#### 含周期性条件!!!
# 该函数用于递归遍历矩阵,进行团簇分类
# 方法为将同一团簇赋为同一值,不在团簇中的点保持为1
def digui(i, j):if a[i][j] == 1:a[i][j] = se# 向下遍历# if中的语句用于判断边界,即到达矩阵边缘时又跳回起点,上下左右均以相同方法运行if i == len(a) - 1:digui(0, j)elif a[i + 1][j] == 1:digui(i + 1, j)# 向上遍历if i == 0:digui(len(a) - 1, j)elif a[i - 1][j] == 1:digui(i - 1, j)# 向右遍历if j == len(a[i]) - 1:digui(i, 0)elif a[i][j + 1] == 1:digui(i, j + 1)# 向左遍历if j == 0:digui(i, len(a[i]) - 1)elif a[i][j - 1] == 1:digui(i, j - 1)
注意,这里如果每生成一次矩阵就遍历一遍的话,整个程序需要运行至少三分钟,所以我采用每投入50个点进行一次团簇分类,这样就能节省很多时间:
if dd%50==0:se = 2 #每个团簇有不同的颜色,即se的值不同for i in range(len(a) - 1):for j in range(len(a[i] - 1)):if a[i][j] == 1:digui(i, j)se += 1 #每遍历完一个团簇就将颜色的值加1
4.统计最大和次大团簇
b = a.reshape(-1) #将矩阵转为一维数组,方便统计b3 = b[b != 0] #去除0元素b1 = np.bincount(b3) #统计数组中的团簇b2 = np.argmax(b1) #取出最大团簇b4 = b3[b3 != b2] #去除最大团簇if b4.size != 0:b11 = np.bincount(b4) #再次统计b12 = np.argmax(b11) #取出次大团簇a[a == b12] = 5000 #处于次大团簇中的点赋值为5000a[a == b2] = 10000 #处于最大团簇中的点赋值为10000a[(a != 5000) & (a != 10000)] = 0 #其余的点均归为0c3 = Counter(b.flatten()) # 统计当前最大和次大团簇的大小并打印p11 = float('%.2f' % p1) #保留两位小数
5.绘图:(图像均为动态效果,展示部分截图)
这是矩阵变化的动态图画法
plt.figure(figsize=(10,10))#创建画布
plt.clf() # 清除上一幅图ax = plt.imshow(a,cmap=cmap) #画出矩阵aplt.title("P1:%f"%p11)plt.xlabel("Maximum cluster(red):%d " "Secondary cluster(blue):%d"%(c3[10000],c3[5000]))plt.pause(0.1) # 暂停一段时间,不然画的太快会卡住显示不出来
这是最大团簇的变化趋势的折线图画法:
图中柱状图为最大团簇的大小,折线图为最大团簇的变化率
plt.close()
fig = plt.figure('size & change rate',figsize=(10, 6)) # 整体图的标题
plt.bar(p111, zui,[0.002],color='red')
plt.plot(p111, bian)
plt.title("Maximum cluster&change rate")
plt.xlabel("Maximum cluster(bar) ""change rate")
plt.show()
渗流模型的实现与解读相关推荐
- R回归模型输出结果详细解读:summary、call、residuals、Coefficients、Assessing Model Fit
R回归模型输出结果详细解读:summary.call.residuals.Coefficients.Assessing Model Fit 目录 R回归模型输出结果详细解读:summary.call. ...
- 企业IT数字化能力和运营效果成熟度模型及系列标准解读
企业IT数字化能力和运营效果成熟度模型及系列标准解读 https://www.toutiao.com/i6949508749568655909/?tt_from=weixin&utm_camp ...
- 随机生存森林的模型建立和结果解读
关于临床预测模型的基础知识,小编之前已经写过非常详细的教程,包括了临床预测模型的定义.常用评价方法.列线图.ROC曲线.IDI.NRI.校准曲线.决策曲线等. 全都是免费获取的代码和数据:R语言临床预 ...
- R语言生存分析详解:KM曲线、COX比例风险模型、HR值解读、模型比较、残差分析、是否比例风险验证:基于survival包lung数据集
R语言生存分析详解:KM曲线.COX比例风险模型.HR值解读.模型比较.残差分析.是否比例风险验证:基于survival包lung数据集 目录
- 渗流模型(Percolation )
1 标度行为 标度行为(Scaling)是现在复杂系统研究中的一个非常典型的现象,它体现为系统的若干宏观指标或者某个变量的分布函数满足具有不同幂指数的幂律行为. 也就是说,标度行为是一种现象,这种现象 ...
- 如何查看python源代码_查看“使用python制造渗流模型”的源代码
因为以下原因,您没有权限编辑本页: 您所请求的操作仅限于该用户组的用户使用:用户 您可以查看和复制此页面的源代码.==简介== 关于渗流模型的简介我们可以看这个页面:[[渗流模型]] ==构建最基本的 ...
- PR规则下的网络渗流模型
PR规则下的网络渗流模型 定义:随机选择两条候选边,比较每条边两个端点所在子串大小乘积的大小,选择最小乘积的那条边. 效果如图所示:
- abaqus 三维基坑开挖渗流模型,含地下连续墙,内支撑,地下水渗流,流固耦合
abaqus 三维基坑开挖渗流模型,含地下连续墙,内支撑,地下水渗流,流固耦合,对于初学者,有一定基础的同学都值得学习模型设置 :9230646120100979Abaquser
- 【NLP】经典分类模型朴素贝叶斯解读
贝叶斯分类器在早期的自然语言处理任务中有着较多实际的应用,例如大部分的垃圾邮件处理都是用的贝叶斯分类器.贝叶斯分类器的理论对于理解后续的NLP模型有很大的进益,感兴趣的小伙伴一定要好好看看,本文会详细 ...
最新文章
- mysql 分表原理_MYSQL 分表原理(转)
- MySQL手动安装Linux教程
- [Machine Learning]kNN代码实现(Kd tree)
- Java之杨辉三角的实现
- 帆软报表重要Activator之DesignerInitActivator之二
- 《 .NET软件设计新思维》一书作者MSDN课程日程
- idea类生成序列号
- 删除pdf(论文)的行号
- amtlib.dll被McAfee删除之后?
- 最新emoji表情代码大全_7张最新有创意好看的早上好问候动画表情图片 暖心的早安问候祝福动态图片表情大全...
- jieba分词怎么操作_如何运用jieba库分词
- flash builder java_如何在具有Java 1.7的OSX上运行FlashBuilder 4.7
- sola病毒doc变exe批量恢复方法
- 删除设备和驱动器下的百度云盘的图标
- 实名域名是什么意思?域名必须要进行实名认证吗?
- Process-wide API spying - an ultimate hack 摘要翻译(二)
- 设置docker容器时间
- 【PHP发送邮件】PHP实现发送邮件
- 三入职场 - 你可以从我身上学到这些(附毕业Vlog)
- 程序员节华为这么玩?就说好不好!
热门文章
- 多图片查看神器MulimgViewer
- SVM(Python代码)
- freeradius pap mysql_[转载]RedHat as4常用应用之mysql+freeradius+cisco路由器
- 使用MP进行等值eq查询前,先判断这个值不为null再操作。然后添加多个排序条件
- 服务器系统电源管理,企业IT节能 巧用Windows系统电源管理
- 网页中插入视频无法播放解决问题
- HDU4386-海伦公式求四边形面积
- 《演说之禅——职场必知的幻灯片秘技》
- 最简版Seq2Seq的英法机器翻译实践和详细代码解释
- 壳聚糖-聚乙二醇-N-羟基琥珀酰亚胺|Chitosan-PEG-NHS