求解隐式ODE(微分代数方程DAE)

我正在尝试使用来自scipy的odeint解决二阶ODE.我遇到的问题是该函数隐式地与二阶项耦合,如简化的代码段所示(请忽略示例的假装物理学)：

import numpy as np
from scipy.integrate import odeint

def integral(y,t,F_l,mass):
    dydt = np.zeros_like(y)
    x, v = y
    F_r =  (((1-a)/3)**2 + (2*(1+a)/3)**2) * v # 'a' implicit 
    a  = (F_l - F_r)/mass

    dydt = [v, a]
return dydt


y0 = [0,5]
time = np.linspace(0.,10.,21)
F_lon = 100.
mass = 1000.

dydt = odeint(integral, y0, time, args=(F_lon,mass))

在这种情况下,我意识到可以代数求解隐式变量,但是在我的实际情况下,F_r与a之间的逻辑很多,并且代数运算失败.

我相信可以使用MATLAB的ode15i函数来解决DAE,但如果可能的话,我将尽量避免这种情况.

我的问题是-有办法解决python(最好是scipy)中的隐式ODE函数(DAE)吗？有没有更好的方法解决以上问题呢？

作为最后的选择,可以接受上一个时间步长中的a.在每个时间步之后,如何将dydt [1]传递回函数？

解决方法:

如果代数运算失败,则可以寻求约束的数值解决方案,例如在每个时间步长运行fsolve：

import sys
from numpy import linspace
from scipy.integrate import odeint
from scipy.optimize import fsolve

y0 = [0, 5]
time = linspace(0., 10., 1000)
F_lon = 10.
mass = 1000.

def F_r(a, v):
    return (((1 - a) / 3) ** 2 + (2 * (1 + a) / 3) ** 2) * v

def constraint(a, v):
    return (F_lon - F_r(a, v)) / mass - a

def integral(y, _):
    v = y[1]
    a, _, ier, mesg = fsolve(constraint, 0, args=[v, ], full_output=True)
    if ier != 1:
        print "I coudn't solve the algebraic constraint, error:\n\n", mesg
        sys.stdout.flush()
    return [v, a]

dydt = odeint(integral, y0, time)

显然,这会减慢您的时间整合.始终检查fsolve是否找到了一个好的解决方案,并刷新输出,以便您可以在实现时立即意识到并停止模拟.

关于如何在上一个时间步“缓存”变量的值,您可以利用以下事实：仅在函数定义中计算默认参数,

from numpy import linspace
from scipy.integrate import odeint

#you can choose a better guess using fsolve instead of 0
def integral(y, _, F_l, M, cache=[0]):
    v, preva = y[1], cache[0]
    #use value for 'a' from the previous timestep
    F_r = (((1 - preva) / 3) ** 2 + (2 * (1 + preva) / 3) ** 2) * v 
    #calculate the new value
    a = (F_l - F_r) / M
    cache[0] = a
    return [v, a]

y0 = [0, 5]
time = linspace(0., 10., 1000)
F_lon = 100.
mass = 1000.

dydt = odeint(integral, y0, time, args=(F_lon, mass))

请注意,为了使技巧起作用,缓存参数必须是可变的,这就是我使用列表的原因.如果您不熟悉默认参数的工作原理,请参见this链接.

请注意,这两个代码不会产生相同的结果,因此在数值上的稳定性和精度上,您应该非常小心地使用上一个时间步的值.第二个显然要快得多.

标签：scipy,constraints,ode,numerical-integration,python
来源： https://codeday.me/bug/20191121/2054149.html