Category FIPY : documentation, exemples & Développement

Reading Time: 11 minutesPlongée en profondeur sur l'échantillonnage latin des hypercubes, les séquences de SOBOL et les méthodes quasi-Monte Carlo pour les simulations scientifiques. Apprenez la théorie, la mise en œuvre de Python et quand les utiliser.

Reading Time: 13 minutesL’expansion du chaos polynomial est une technique de modélisation de substitution qui remplace une simulation coûteuse par une série de polynômes orthogonaux dont les coefficients peuvent être utilisés pour estimer directement l’incertitude. Une fois installé, un substitut PCE vous donne un accès analytique aux moyens de sortie, aux écarts, aux intervalles de confiance et aux […]

Reading Time: 9 minutesFIPY est souvent utilisé dans les flux de travail de recherche où les petits changements de logiciels peuvent avoir de l’importance. Une nouvelle version peut inclure des mises à jour de la documentation, des ajustements de dépendance, des correctifs liés aux solveurs, des exemples, des notes de performances ou des modifications qui affectent la configuration […]

Reading Time: 9 minutesFipy est très utile lorsque vous arrêtez de le traiter comme une collection d’exemples isolés et que vous commencez à l’utiliser comme un cadre flexible pour créer vos propres flux de travail PDE. Ce changement compte parce que les vrais projets de simulation restent rarement simples longtemps. Un modèle qui commence comme une équation sur […]

Reading Time: 13 minutesLes simulations FIPY peuvent atteindre 10x à 100x accélérations en déplaçant des opérations de calcul sur le GPU à l’aide de CUPY (remplacement NumPy) ou NUMBA (compilation JIT). CUPY excelle dans les opérations de tableau et nécessite des modifications de code minimales, tandis que Numba accélère les boucles Python et les fonctions personnalisées. Cependant, l’accélération […]

Reading Time: 10 minutesPoints à retenir clés Numpy est le fondement. Il fournit des tableaux multidimensionnels rapides et les opérations sur lesquelles la plupart des bibliothèques scientifiques Python s’appuient. Scipy repose sur NumPy et fournit des routines scientifiques de haut niveau, notamment l’optimisation, l’intégration, l’interpolation, l’algèbre linéaire et les statistiques. Sympy est un Python pur et prend en […]

Reading Time: 8 minutesSi vous travaillez avec la diffusion, le transfert de chaleur, l’électrochimie, l’évolution de la microstructure ou tout système régi par des équations aux dérivées partielles (PDE), vous avez probablement dû faire face au même dilemme pratique : vous avez besoin d’un solveur suffisamment flexible pour correspondre à votre modèle, mais pas si lourd que chaque changement. […]

Reading Time: 4 minutesFIPY est un cadre basé sur Python pour résoudre les équations aux dérivées partielles (PDE) à l’aide de la méthode du volume fini. Si vous débutez sur Fipy, le moyen le plus rapide de « l’obtenir » est d’exécuter un petit exemple de bout en bout et de comprendre de quoi chaque élément de code est responsable. […]

Reading Time: 6 minutesLa diffusion est l’une des équations différentielles partielles les plus intuitives que vous pouvez simuler : un pic net se répand, un pas raide se lisse dans une transition douce et les gradients disparaissent progressivement. Si vous apprenez FIPY, Diffusion est également l’un des meilleurs points de départ car il s’intègre parfaitement au flux de travail […]

Reading Time: 7 minutesLes conditions aux limites sont les « règles sur les bords » d’un domaine de simulation. Si votre PDE décrit ce qui se passe à l’intérieur du maillage, les conditions aux limites décrivent ce que le monde en dehors du maillage lui fait (ou ne lui fait pas). En pratique, ils déterminent souvent si votre solution est […]