ANSYS教程:从安装到模态分析实例详解

需积分: 34 21 下载量 49 浏览量 更新于2024-08-06 收藏 39.11MB PDF 举报
本资源是一份关于ANSYS软件高级概率论与应用的教程,主要聚焦于使用频率表对话框进行操作,并结合具体实例进行讲解。章节内容涉及ANSYS软件的基础知识,包括但不限于: 1. ANSYS介绍:首先介绍了ANSYS 6.1的安装、启动配置、界面布局以及输出文件管理。这部分内容为后续操作提供了必要的软件环境和基本操作指南。 2. 模型建立:详细说明了如何设置工作目录、作业名、分析标题,以及图形界面的过滤参数。还涉及单位制的选择、单元类型定义、材料属性设置,以及实体建模、网格划分、耦合和约束等建模关键步骤。 3. 加载和求解:涵盖了加载施加和求解过程,这是结构分析的核心环节,对于静态、动力学和模态分析都有涉及。 4. 后处理:介绍了通用后处理器、单元表、路径分析和时间历程后处理器等,这些都是理解和解读分析结果的重要工具。 5. 实例分析:以实际问题(如六方孔螺钉投用扳手的静力分析、平面问题、轴对称和周期对称结构静力及模态分析、动力学分析和预应力作用结构的模态与谐响应分析)为例,逐步展示了如何运用ANSYS进行问题解决,包括模型建立、边条定义、求解和结果查看。 6. 命令流输入:强调了在每个分析步骤中,通过命令流的方式控制和指导软件执行,体现了ANSYS的命令行操作能力。 该资源不仅适合初学者了解ANSYS的基本工作流程,也适合有一定经验的用户深化对高级概率论在工程计算中的应用。通过学习,读者可以掌握如何利用频率表进行数据分析,以及如何将理论知识与实际操作相结合,提升工程问题的解决能力。

import pandas as pd import numpy as np from keras.models import load_model # 加载已经训练好的kerasBP模型 model = load_model('D://model.h5') # 读取Excel文件中的数据 data = pd.read_excel('D://数据1.xlsx', sheet_name='4') # 对数据进行预处理,使其符合模型的输入要求# 假设模型的输入是一个包含4个特征的向量# 需要将Excel中的数据转换成一个(n, 4)的二维数组 X = data[['A', 'B', 'C', 'D']].values # 使用模型进行预测 y_pred = model.predict(X) # 对预测结果进行反归一化 y_pred_int = scaler_y.inverse_transform(y_pred).round().astype(int) # 构建带有概率的预测结果 y_pred_prob = pd.DataFrame(y_pred_int, columns=data.columns[:4]) mse = ((y_test - y_pred) ** 2).mean(axis=None) y_pred_prob['Probability'] = 1 / (1 + mse - ((y_pred_int - y_test) ** 2).mean(axis=None)) # 过滤掉和值超过6或小于6的预测值 y_pred_filtered = y_pred_prob[(y_pred_prob.iloc[:, :4].sum(axis=1) == 6)] # 去除重复的行 y_pred_filtered = y_pred_filtered.drop_duplicates() # 重新计算低于1.2的 Probability 值 low_prob_indices = y_pred_filtered[y_pred_filtered['Probability'] < 1.5].index for i in low_prob_indices: y_pred_int_i = y_pred_int[i] y_test_i = y_test[i] mse_i = ((y_test_i - y_pred_int_i) ** 2).mean(axis=None) new_prob_i = 1 / (1 + mse_i - ((y_pred_int_i - y_test_i) ** 2).mean(axis=None)) y_pred_filtered.at[i, 'Probability'] = new_prob_i # 打印带有概率的预测结果 print('Predicted values with probabilities:') print(y_pred_filtered)

2023-05-28 上传

import pandas as pd from keras.models import load_model from sklearn.preprocessing import MinMaxScaler # 加载已经训练好的kerasBP模型 model = load_model('D://model.h5') # 读取Excel文件中的数据 data = pd.read_excel('D://数据1.xlsx', sheet_name='4') # 对数据进行预处理,使其符合模型的输入要求 # 假设模型的输入是一个包含4个特征的向量 # 需要将Excel中的数据转换成一个(n, 4)的二维数组 X = data[['A', 'B', 'C', 'D']].values # 使用模型进行预测 y_pred = model.predict(X) scaler_y = MinMaxScaler(feature_range=(0, 4)) # 对预测结果进行反归一化 y_pred_int = scaler_y.inverse_transform(y_pred).round().astype(int) # 构建带有概率的预测结果 y_pred_prob = pd.DataFrame(y_pred_int, columns=data.columns[:4]) # 计算 mse y_test = data['y_true'].values mse = ((y_test - y_pred) ** 2).mean(axis=None) # 计算每个预测结果的概率并添加到 y_pred_prob 中 y_pred_prob['Probability'] = 1 / (1 + mse - ((y_pred_int - y_test) ** 2).mean(axis=None)) # 过滤掉和值超过6或小于6的预测值 y_pred_filtered = y_pred_prob[(y_pred_prob.iloc[:, :4].sum(axis=1) == 6)] # 去除重复的行 y_pred_filtered = y_pred_filtered.drop_duplicates() # 重新计算低于1.5的 Probability 值 low_prob_indices = y_pred_filtered[y_pred_filtered['Probability'] < 1.5].index for i in low_prob_indices: y_pred_int_i = y_pred_int[i] y_test_i = y_test[i] mse_i = ((y_test_i - y_pred_int_i) ** 2).mean(axis=None) new_prob_i = 1 / (1 + mse_i - ((y_pred_int_i - y_test_i) ** 2).mean(axis=None)) y_pred_filtered.at[i, 'Probability'] = new_prob_i # 打印带有概率的预测结果 print('Predicted values with probabilities:') print(y_pred_filtered)这段程序中错误是由于使用了尚未拟合的MinMaxScaler实例导致的。在使用scikit-learn中的任何转换器之前,都需要先使用fit方法进行拟合,以便转换器可以学习数据的范围和分布。你需要在调用inverse_transform方法之前使用fit方法对MinMaxScaler进行拟合,代码怎么修改

2023-05-28 上传