src/daComposant/daAlgorithms/InterpolationByReducedModelTask.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2023 EDF R&D
   4 #
   5 # This library is free software; you can redistribute it and/or
   6 # modify it under the terms of the GNU Lesser General Public
   7 # License as published by the Free Software Foundation; either
   8 # version 2.1 of the License.
   9 #
  10 # This library is distributed in the hope that it will be useful,
  11 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  13 # Lesser General Public License for more details.
  14 #
  15 # You should have received a copy of the GNU Lesser General Public
  16 # License along with this library; if not, write to the Free Software
  17 # Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  18 #
  19 # See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  20 #
  21 # Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
  22
  23 import numpy
  24 from daCore import BasicObjects
  25 from daAlgorithms.Atoms import ecweim
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "INTERPOLATIONBYREDUCEDMODEL")
  31         self.defineRequiredParameter(
  32             name     = "ReducedBasis",
  33             default  = [],
  34             typecast = numpy.array,
  35             message  = "Base réduite, 1 vecteur par colonne",
  36             )
  37         self.defineRequiredParameter(
  38             name     = "OptimalLocations",
  39             default  = [],
  40             typecast = tuple,
  41             message  = "Liste des indices ou noms de positions optimales de mesure selon l'ordre interne d'un vecteur de base",
  42             )
  43         self.defineRequiredParameter(
  44             name     = "ObservationsAlreadyRestrictedOnOptimalLocations",
  45             default  = True,
  46             typecast = bool,
  47             message  = "Stockage des mesures restreintes a priori aux positions optimales de mesure ou non",
  48             )
  49         self.defineRequiredParameter(
  50             name     = "StoreSupplementaryCalculations",
  51             default  = [],
  52             typecast = tuple,
  53             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  54             listval  = [
  55                 "Analysis",
  56                 "ReducedCoordinates",
  57                 ]
  58             )
  59         self.requireInputArguments(
  60             mandatory= ("Y",),
  61             optional = (),
  62             )
  63         self.setAttributes(tags=(
  64             "Reduction",
  65             "Interpolation",
  66             ))
  67
  68     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  69         self._pre_run(Parameters, Xb, Y, U, HO, EM, CM, R, B, Q)
  70         #
  71         #--------------------------
  72         __rb = self._parameters["ReducedBasis"]
  73         __ip = self._parameters["OptimalLocations"]
  74         if len(__ip) != __rb.shape[1]:
  75             raise ValueError("The number of optimal measurement locations (%i) and the dimension of the RB (%i) has to be the same."%(len(__ip),__rb.shape[1]))
  76         #
  77         # Nombre de pas identique au nombre de pas d'observations
  78         if hasattr(Y,"stepnumber"):
  79             duration = Y.stepnumber()
  80         else:
  81             duration = 2
  82         #
  83         for step in range(0,duration-1):
  84             #
  85             # La boucle sur les mesures permet une interpolation par jeu de mesure,
  86             # sans qu'il y ait de lien entre deux jeux successifs de mesures.
  87             #
  88             # Important : les observations sont données sur tous les points
  89             # possibles ou déjà restreintes aux points optimaux de mesure, mais
  90             # ne sont utilisés qu'aux points optimaux
  91             if hasattr(Y,"store"):
  92                 _Ynpu = numpy.ravel( Y[step+1] ).reshape((-1,1))
  93             else:
  94                 _Ynpu = numpy.ravel( Y ).reshape((-1,1))
  95             if self._parameters["ObservationsAlreadyRestrictedOnOptimalLocations"]:
  96                 __rm = _Ynpu
  97             else:
  98                 __rm = _Ynpu[__ip]
  99             #
 100             # Interpolation
 101             ecweim.EIM_online(self, __rb, __rm, __ip)
 102         #--------------------------
 103         #
 104         self._post_run(HO)
 105         return 0
 106
 107 # ==============================================================================
 108 if __name__ == "__main__":
 109     print('\n AUTODIAGNOSTIC\n')