numpy Python nan出现在分子气体模拟中

我正在写一个脚本，它应该是模拟气体分子的相互作用，使用伦纳-琼斯势。我面临着两个问题。
1.当我用np.sqrt()来计算分子之间的距离时，我只得到了由nan值组成的列表.这不是很有帮助。
1.我把()**0.5替换成np.sqrt()后就解决了这个问题。但我仍然得到错误的结果。
这里讨论的行是下面的一个dist12 = (r12[0]**2 + r12[1]**2)**0.5。然而，摆脱nan警告并没有完全解决我的问题，因为稍后我会检查if dist12 == 0: return 0, 0，这导致位置列表组成-除了前四个粒子的列表之外-大部分包含零的列表。
所以代码流可能有问题。但是我无法找到问题所在。所以让我首先简短地描述预期的代码流。
1.粒子初始化，从class Czastka中初始化16个粒子，并给出相应的初始条件。

simulate()函数在粒子列表中迭代num_step = 1000，并计算每个粒子与其他粒子相互作用的力的总和。为此，使用lennard_jones_forces(x1, y1, x2, y2)函数。应用条件是，如果粒子之间的距离超过2.5*sigma，则它们不会感受到任何吸引力。
1.使用函数leapforg_single_step(particle, force_x_comp, force_y_comp):计算新的位置和速度。
1.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。**这里还检查了周期性边界条件。**它们背后的想法是，如果粒子将离开模拟/包含气体的框架/盒子。它将从另一侧出现，这是使用模块划分self.x = new_x % box_size实现的。
正如我说的，我不明白是什么原因导致的nan错误，也不明白为什么我最终在我的位置列表中得到的大多是零？这是我的完整代码：

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 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]
particle_lst = []
for i in range(0, 4):
    for j in range(0, 4):
        particle_lst.append(Czastka(radius, initial_x[j], initial_y[j], initial_vx[j], initial_vy[j]))
#print(len(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
    print(r12[0], ' ', r12[1])
    if dist12 == 0:
        return 0, 0
    # 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):
        print(Force21_x, ' ', Force21_y)
        print("Nan detected in force calculation")
    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()
def simulation_results():
    for i, particle in enumerate(particle_lst):
        print('Particle number: {}. List lenght: {} and x-positions list: {}'.format(i, len(particle.x_positions_lst), particle.x_positions_lst))
simulation_results()
def animation():
    pass

字符串
任何帮助将不胜感激！干杯！

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()

numpy Python nan出现在分子气体模拟中

1条答案

相关问题

热门标签

最新问答