我正在编写一个脚本,该脚本应该使用伦纳德-琼斯势来模拟气体分子的相互作用。 问题是,尽管代码有效,但它返回的结果表明粒子几乎没有移动。但实际情况并非如此!
所以代码流程可能有问题。但我无法找到问题所在。因此,让我首先简要描述一下预期的代码流程。
粒子初始化,使用函数
class Czastka
从initialization()
初始化16个粒子。
simulate()
函数会迭代 num_step = 1000
遍历粒子列表,并计算由于与其他粒子相互作用而作用在每个粒子上的力的总和。为此,使用 lennard_jones_forces(x1, y1, x2, y2)
函数。所应用的条件是,如果粒子相距超过 2.5*sigma
,则它们不会感受到任何吸引力。
使用函数
leapforg_single_step(particle, force_x_comp, force_y_comp):
计算新的位置和速度。
然后使用
p1.update_position(p1_x_next, p1_y_next, box_size)
将其附加到粒子位置列表中。 这里还检查周期性边界条件。其背后的想法是,粒子是否会离开模拟/包含气体的框架/盒子。从另一面看来,这是通过模除来实现的self.x = new_x % box_size
。
正如我所说,我不明白为什么代码会产生几乎恒定的值。也许这与周期性边界条件有关。
import numpy as np
import random
#Inicjalizacja paramatrów
particle_num, box_size, eps, sigma = 16, 8.0, 1.0, 1.0
dt, temp, k_B, m, M = 0.0001, 2.5, 1, 1, 1
radius = sigma/2
class Czastka:
#Inicjalizacja danych cząstki
def __init__(self, radius, x_pos, y_pos, x_vel, y_vel):
#Składowe wartości wektorowych
self.x, self.y = x_pos, y_pos
self.vx, self.vy = x_vel, y_vel
"""
NOTE: The goal of the simulation in the end is to get only these 4 lists
"""
#Positions lists
self.x_positions_lst = []
self.y_positions_lst = []
#Velocity lists
self.x_velocity_lst = []
self.y_velocity_lst = []
def append_postions(self, x_pos, y_pos):
self.x_positions_lst.append(x_pos)
self.y_positions_lst.append(y_pos)
def update_velocities(self, x_vel, y_vel):
self.x_velocity_lst.append(x_vel)
self.y_velocity_lst.append(y_vel)
# Stosujemy periodyczne warunki brzegowe poprzez liczenie modułowe
def update_position(self, new_x, new_y, box_size):
self.x = new_x % box_size
self.y = new_y % box_size
self.append_postions(self.x, self.y)
# Inicjalizacja cząstek
initial_x, initial_y = [1, 3, 5, 7], [1, 3, 5, 7]
initial_vx, initial_vy = [1, 1, 2, 0.5], [1, 0.5, 0.25, 4]
#Inicjalizacja cząstek wraz z przynaleznymi wartościami początkowymi
particle_lst = []
def initialization():
n, m = 0, 0
global particle_lst
# Inicjalizacja cząstek
initial_x, initial_y = [1, 3, 5, 7], [1, 3, 5, 7]
initial_vx, initial_vy = [1, 1, 2, 0.5], [1, 0.5, 0.25, 4]
# Generuje losowe prędkości
initial_vx_random = [random.uniform(-2, 2) for _ in range(16)]
initial_vy_random = [random.uniform(-2, 2) for _ in range(16)]
# Inicjalizuje cząstki
for i in range(0, 4):
for j in range(0, 4):
x_pos = initial_x[i]
y_pos = initial_y[j]
vx = initial_vx_random[n]
vy = initial_vy_random[n]
#print('x-pos: {}, y-pos: {}, vx: {}, vy: {}'.format(x_pos, y_pos, vx, vy))
Czastka(radius, x_pos, y_pos, vx, vy)
particle_lst.append(Czastka(radius, x_pos, y_pos, vx, vy))
n += 1
# Dodaję początkowe położenia i prędkości cząstek do ich własnych list
for i, p1 in enumerate(particle_lst):
m = i % 4
for k in range(0, 4):
continue
p1.append_postions(initial_x[m], initial_y[k])
p1.update_velocities(initial_vx_random[i], initial_vy_random[i])
initialization()
def simulation_results(target_lst):
for i, particle in enumerate(target_lst):
print('Particle number: {}. List lenght: {} and x-positions list: {} and vx-velocity list: {}'.format(i, len(particle.x_positions_lst), particle.x_positions_lst, particle.x_velocity_lst))
#simulation_results(particle_lst)
#Siła jaka działa na skutek odziaływań w potencjale Lennard-Jonesa
def lennard_jones_forces(x1, y1, x2, y2):
global sigma, eps
#Obliczenia pomocnicze
r12 = [x2-x1, y2-y1]
dist12 = (r12[0]**2 + r12[1]**2)**0.5
if dist12 == 0:
return 0, 0
# Siła jaką cząstka 2 wywiera na cząstekę 1
Force21 = -(48*eps)/(sigma**2) * ((sigma/dist12)**14 - 0.5*(sigma/dist12)**8)
Force21_x = Force21*r12[0]
Force21_y = Force21*r12[1]
#W tym momecie nasza funkcja jest gotowa ALE musimy sprawdzić czy zachodzi warunek odcięcia
#Żeby zwiększyć wydajnośc obliczniową powinno się dokonać tego sprwdzenia, przed obliczniem sił
if dist12 > (2.5*sigma):
#print('Cut off')
Force21_x, Force21_y = 0, 0
return Force21_x, Force21_y
else:
#print('Normal operation')
return Force21_x, Force21_y
# Obliczanie poprzez wykorzystanie algorytmu żabki nowych współrzędnych
def leapforg_single_step(particle, force_x_comp, force_y_comp):
global dt, m
#Obliczanie pół-krokowych prędkości
vx_half = particle.vx + 0.5 * (force_x_comp / m) * dt
vy_half = particle.vy + 0.5 * (force_y_comp / m) * dt
#Obliczanie pół-krokowych położeń
x_next = particle.x + vx_half * dt
y_next = particle.y + vy_half * dt
#Obliczanie nowych prędkości
vx_next = vx_half + 0.5 * (force_x_comp / m) * dt
vy_next = vy_half + 0.5 * (force_y_comp / m) * dt
return x_next, y_next, vx_next, vy_next
def simulate():
global box_size
num_steps = 1000
#Cała symulacja składa się z num_steps kroków
for step in range(num_steps):
#Obliczmy sumę sił działającą na każdą cząstkę
for i, p1 in enumerate(particle_lst):
force_x, force_y = 0, 0
for j, p2 in enumerate(particle_lst):
if i != j:
# Obliczam sume sił działająca na cząsteki p1 (bez interakcji z samym sobą)
f_x, f_y = lennard_jones_forces(p1.x, p1.y, p2.x, p2.y)
force_x += f_x
force_y += f_y
p1_x_next, p1_y_next, p1_vx_next, p1_vy_next = leapforg_single_step(p1, force_x, force_y)
p1.update_position(p1_x_next, p1_y_next, box_size)
p1.update_velocities(p1_vx_next, p1_vy_next)
simulate()
simulation_results(particle_lst)
def animation():
pass
任何帮助将不胜感激!干杯!
零距离是非物理的。您有一个可能不正确的初始迭代,仅从 4 个初始位置值生成 16 个粒子。当我解决这个问题时,即使我通过引发异常来检测相同的噪音,也不会出现 NaN。这里还有其他需要改进的地方(你根本没有正确使用 Numpy)。
import numpy as np
# Inicjalizacja paramatrów
particle_num, box_size, eps, sigma = 16, 8.0, 1.0, 1.0
dt, temp, k_B, m, M = 0.0001, 2.5, 1, 1, 1
radius = sigma/2
class Particle:
# Inicjalizacja danych cząstki
def __init__(self, radius: float, x_pos: float, y_pos: float, x_vel: float, y_vel: float) -> None:
# Składowe wartości wektorowych
self.x, self.y = x_pos, y_pos
self.vx, self.vy = x_vel, y_vel
"""
NOTE: The goal of the simulation in the end is to get only these 4 lists
"""
# Positions lists
self.x_positions_lst: list[float] = []
self.y_positions_lst: list[float] = []
# Velocity lists
self.x_velocity_lst: list[float] = []
self.y_velocity_lst: list[float] = []
def append_postions(self, x_pos: float, y_pos: float) -> None:
self.x_positions_lst.append(x_pos)
self.y_positions_lst.append(y_pos)
def update_velocities(self, x_vel: float, y_vel: float) -> None:
self.x_velocity_lst.append(x_vel)
self.y_velocity_lst.append(y_vel)
# Stosujemy periodyczne warunki brzegowe poprzez liczenie modułowe
def update_position(self, new_x: float, new_y: float, box_size: float) -> None:
self.x = new_x % box_size
self.y = new_y % box_size
self.append_postions(self.x, self.y)
# Obliczanie poprzez wykorzystanie algorytmu żabki nowych współrzędnych
def leapfrog_single_step(self, force_x_comp: float, force_y_comp: float) -> tuple[
float, # x next
float, # y next
float, # vx next
float, # vy next
]:
# Obliczanie pół-krokowych prędkości
vx_half = self.vx + 0.5 * (force_x_comp / m) * dt
vy_half = self.vy + 0.5 * (force_y_comp / m) * dt
# Obliczanie pół-krokowych położeń
x_next = self.x + vx_half * dt
y_next = self.y + vy_half * dt
# Obliczanie nowych prędkości
vx_next = vx_half + 0.5 * (force_x_comp / m) * dt
vy_next = vy_half + 0.5 * (force_y_comp / m) * dt
return x_next, y_next, vx_next, vy_next
# Siła jaka działa na skutek odziaływań w potencjale Lennard-Jonesa
def lennard_jones_forces(
x1: float, y1: float, x2: float, y2: float,
) -> tuple[float, float]:
# Obliczenia pomocnicze
r12 = [x2-x1, y2-y1]
dist12 = (r12[0]**2 + r12[1]**2)**0.5
# print(r12[0], ' ', r12[1])
if dist12 == 0:
raise ValueError('A zero distance is non-physical')
# Calculate Lennard-Jones force
sigma_over_dist12 = sigma / dist12
sigma_over_dist12_14 = sigma_over_dist12 ** 14
sigma_over_dist12_8 = sigma_over_dist12 ** 8
Force21 = -(48 * eps / (sigma ** 2)) * (sigma_over_dist12_14 - 0.5 * sigma_over_dist12_8)
Force21_x = Force21 * r12[0]
Force21_y = Force21 * r12[1]
# W tym momecie nasza funkcja jest gotowa ALE musimy sprawdzić czy zachodzi warunek odcięcia
# Żeby zwiększyć wydajnośc obliczniową powinno się dokonać tego sprwdzenia, przed obliczniem sił
if np.isnan(Force21_x) or np.isnan(Force21_y):
raise ValueError(f"Nan detected in force calculation: {Force21_x} {Force21_y}")
if dist12 > (2.5*sigma):
# print('Cut off')
Force21_x, Force21_y = 0, 0
return Force21_x, Force21_y
else:
# print('Normal operation')
return Force21_x, Force21_y
def simulate(particle_lst: list[Particle]) -> None:
num_steps = 1000
# Cała symulacja składa się z num_steps kroków
for step in range(num_steps):
# Obliczmy sumę sił działającą na każdą cząstkę
for i, p1 in enumerate(particle_lst):
force_x, force_y = 0, 0
for j, p2 in enumerate(particle_lst):
if i != j:
# Obliczam sume sił działająca na cząsteki p1 (bez interakcji z samym sobą)
f_x, f_y = lennard_jones_forces(p1.x, p1.y, p2.x, p2.y)
force_x += f_x
force_y += f_y
p1_x_next, p1_y_next, p1_vx_next, p1_vy_next = p1.leapfrog_single_step(force_x, force_y)
p1.update_position(p1_x_next, p1_y_next, box_size)
p1.update_velocities(p1_vx_next, p1_vy_next)
def simulation_results(particle_lst: list[Particle]) -> None:
for i, particle in enumerate(particle_lst):
print(
f'Particle number: {i}. '
f'List length: {len(particle.x_positions_lst)} and '
f'x-positions list: {particle.x_positions_lst}'
)
def main() -> None:
# Inicjalizacja cząstek
initial_x, initial_y = [1, 3, 5, 7], [1, 3, 5, 7]
initial_vx, initial_vy = [1, 1, 2, 0.5], [1, 0.5, 0.25, 4]
particle_lst = []
for x, y, vx, vy in zip(initial_x, initial_y, initial_vx, initial_vy):
particle_lst.append(Particle(radius, x, y, vx, vy))
# print(len(particle_lst))
simulate(particle_lst)
simulation_results(particle_lst)
if __name__ == '__main__':
main()