لطفا صبر کنید...
منوی دسته بندی

چگونه داده‌های خروجی انسیس را برای رسم نمودار در Tecplot یا ParaView آماده کنیم؟

29

مهندسان و تحلیل‌گران در حوزه‌های دینامیک سیالات محاسباتی (CFD) و تحلیل المان محدود (FEA)، که از حلگرهای پیچیده‌ای استفاده می‌کنند، اغلب با مجموعه‌داده‌های حجیم و چندوجهی سروکار دارند. اگرچه این نرم‌افزارها ممکن است ابزارهای پس‌پردازش داخلی کارآمدی داشته باشند، اما برای تحلیل‌های عمیق‌تر و تولید نمودارها و تصاویر باکیفیت، به ابزارهای تخصصی مانند Tecplot نیاز پیدا می‌کنند. این ابزارها امکانات پیشرفته‌ای برای تجسم داده‌های حجیم، مقایسه نتایج و استخراج بینش‌های دقیق مهندسی فراهم می‌کنند. با این حال، موفقیت در استفاده از این ابزارها به یک پیش‌نیاز اساسی وابسته است: آماده‌سازی و ساختاردهی صحیح داده‌های خروجی. فرآیند بهینه‌سازی خروجی برای تک پلات تضمین می‌کند که داده‌ها به درستی بارگذاری شده، با کارایی بالا پردازش شوند و نتایج تحلیل، دقیق و قابل اعتماد باشند.

اگرچه عنوان این راهنما به ParaView نیز اشاره دارد، ما در این مقاله بر روی فرمت‌های داده Tecplot تمرکز خواهیم کرد. با این حال، مفاهیم بنیادی مانند انواع داده (مرتب در مقابل بی‌ساختار)، مکان‌یابی متغیرها (گره‌ای در مقابل مرکز سلولی)، و لیست اتصال، سنگ بنای تمام ابزارهای پس‌پردازش هستند و درک آن‌ها مستقیماً برای آماده‌سازی داده برای ParaView نیز کاربردی خواهد بود.

در این مقاله، ابتدا اصول کلیدی و بهترین شیوه‌ها برای خروجی گرفتن از داده‌های شبیه‌سازی را بررسی می‌کنیم. سپس، دو روش اصلی برای تولید فایل‌های داده (فرمت متنی ASCII و فرمت باینری) را به تفصیل شرح می‌دههیم و در نهایت، مفاهیم کلیدی ساختار داده که برای هر دو روش مشترک است را مرور خواهیم کرد. با درک این اصول، می‌توانید داده‌های خود را به شکلی کارآمد برای تحلیل‌های پیشرفته آماده کنید.

اصول کلیدی و بهترین شیوه‌ها برای خروجی گرفتن

پیش از ورود به جزئیات فنی و نحوه پیاده‌سازی، درک چند اصل کلیدی به شما کمک می‌کند تا فرآیند تولید فایل‌های داده را بهینه‌تر انجام دهید. رعایت این بهترین شیوه‌ها نه تنها کارایی بارگذاری و پردازش داده‌ها را در نرم‌افزارهای پس‌پردازش افزایش می‌دهد، بلکه به کاهش چشمگیر حجم فایل‌های خروجی و مدیریت بهتر حافظه نیز کمک می‌کند.

فایل‌های باینری در مقابل ASCII

    • چرا بهترین شیوه است؟ فایل‌های باینری (plt.) به دلیل ساختار فشرده خود، فضای دیسک بسیار کمتری نسبت به فایل‌های متنی ASCII اشغال می‌کنند و سرعت بارگذاری آن‌ها در Tecplot به مراتب بالاتر است. فرمت ASCII به دلیل خوانایی بالا برای انسان، تنها برای مجموعه داده‌های کوچک یا برای اهداف آموزشی و اشکال‌زدایی توصیه می‌شود. برای تبدیل فایل‌های ASCII به باینری، می‌توانید از ابزار Preplot که همراه Tecplot ارائه می‌شود، استفاده کنید.

فرمت Block در مقابل Point

    • چرا بهترین شیوه است؟ فرمت Block کارآمدترین روش برای بارگذاری داده در Tecplot 360 است. در این فرمت، تمام مقادیر یک متغیر (مثلاً تمام مقادیر مولفه X سرعت) به صورت یکجا و در یک بلوک پیوسته نوشته می‌شوند. این ساختار به Tecplot اجازه می‌دهد داده‌ها را با سرعت بسیار بالاتری بخواند. فرمت Point که در آن مقادیر تمام متغیرها برای هر نقطه به صورت متوالی نوشته می‌شود (مانند یک ردیف در اکسل)، تنها برای داده‌های کوچک که ممکن است از یک صفحه گسترده استخراج شوند، قابل قبول است.

به اشتراک‌گذاری متغیرها (Data Sharing)

    • چرا بهترین شیوه است؟ در شبیه‌سازی‌های گذرا یا تحلیل‌های پارامتریک، اغلب شبکه (Grid) ثابت است و تنها متغیرهای حل (مانند دما یا فشار) تغییر می‌کنند. در چنین مواردی، می‌توان متغیرهای مکانی (X ,Y ,Z) را بین نواحی (Zones) مختلف به اشتراک گذاشت. این کار از نوشتن مکرر داده‌های تکراری جلوگیری کرده و به طور قابل توجهی باعث صرفه‌جویی در فضای دیسک و حافظه رم هنگام بارگذاری داده‌ها می‌شود. برای مثال، در یک شبیه‌سازی گذرا با ۱۰۰ گام زمانی، به جای نوشتن مختصات X ,Y ,Z صد بار، می‌توان آن‌ها را فقط یک بار در ناحیه اول نوشت و ۹۹ ناحیه بعدی را برای به اشتراک‌گذاری این متغیرها از ناحیه اول پیکربندی کرد.

استفاده از متغیرهای غیرفعال (Passive Variables)

    • چرا بهترین شیوه است؟ در یک مجموعه داده، تمام نواحی باید تعداد متغیرهای یکسانی داشته باشند. اما گاهی برخی متغیرها فقط برای نواحی خاصی معنادار هستند. در این حالت، می‌توان آن متغیرها را در نواحی دیگر به صورت «غیرفعال» (Passive) تعریف کرد. یک متغیر غیرفعال همیشه مقدار صفر را برمی‌گرداند و در محاسباتی مانند تعیین محدوده حداقل و حداکثر (min/max) برای سطوح کانتور شرکت نمی‌کند. این ویژگی به مدیریت بهتر مجموعه داده‌های بزرگ با متغیرهای متعدد کمک می‌کند.

با در نظر گرفتن این اصول، اکنون می‌توانیم به بررسی روش‌های عملی برای ایجاد فایل‌های داده بپردازیم. روش اول، ایجاد فایل‌های ASCII، نقطه شروع مناسبی برای درک ساختار داده است.

روش اول: ایجاد فایل‌های داده ASCII برای Tecplot

فرمت ASCII به دلیل ساختار متنی و خوانا بودن برای انسان، یک نقطه شروع عالی برای یادگیری ساختار داده‌های Tecplot است. این روش به شما اجازه می‌دهد تا با استفاده از دستورات نوشتاری استاندارد در هر زبان برنامه‌نویسی یا حتی به صورت دستی، فایل‌های داده ساده‌ای را برای اشکال‌زدایی یا تحلیل‌های اولیه ایجاد کنید. اگرچه این روش برای داده‌های حجیم توصیه نمی‌شود، اما درک آن پایه و اساس کار با فرمت‌های پیشرفته‌تر را تشکیل می‌دهد.

ساختار اصلی یک فایل ASCII Tecplot از دو بخش اصلی تشکیل شده است:

  1. سرآیند فایل (File Header): این بخش اطلاعات کلی در مورد کل مجموعه داده را تعریف می‌کند. این اطلاعات شامل موارد زیر است:
    • TITLE: عنوانی برای مجموعه داده.
    • VARIABLES: لیستی از نام متغیرها (مانند “X”, “Y”, “Pressure”).
    • FILETYPE: نوع فایل را مشخص می‌کند که می‌تواند FULL (شامل شبکه و حل)، GRID (فقط شبکه) یا SOLUTION (فقط حل) باشد. استفاده از GRID و SOLUTION یک شیوه کارآمد برای مدیریت داده است که به شما اجازه می‌دهد یک فایل شبکه واحد را با چندین فایل حل (مثلاً برای گام‌های زمانی مختلف) ترکیب کنید.
  2. رکورد ناحیه (Zone Record): هر مجموعه داده حداقل از یک ناحیه (Zone) تشکیل شده است. هر رکورد ناحیه با کلمه کلیدی ZONE شروع می‌شود و شامل سه بخش است: سرآیند ناحیه (Zone Header)، داده‌های عددی (Data) و در صورت لزوم، فوتر ناحیه (Zone Footer) که حاوی اطلاعات اتصال (Connectivity) است.

تعریف یک Zone در فایل ASCII

مهم‌ترین بخش تعریف یک ناحیه، خط کنترل آن است که با ZONE شروع می‌شود و پارامترهای کلیدی ساختار داده را مشخص می‌کند. در جدول زیر، مهم‌ترین این پارامترها خلاصه شده‌اند:

پارامتر

توضیح

ZONETYPE

نوع داده را مشخص می‌کند. دو نوع اصلی آن ORDERED (برای شبکه‌های ساختاریافته) و FINITE-ELEMENT (برای شبکه‌های بی‌ساختار مانند مثلثی یا آجری) است.

DATAPACKING

نحوه چیدمان داده‌ها را تعیین می‌کند. BLOCK (داده‌ها بر اساس متغیر دسته‌بندی می‌شوند) و POINT (داده‌ها بر اساس نقطه دسته‌بندی می‌شوند).

VARLOCATION

مکان تعریف متغیرها را مشخص می‌کند. NODAL (مقادیر در گره‌های شبکه تعریف می‌شوند) یا CELLCENTERED (مقادیر در مرکز سلول‌ها/المان‌ها تعریف می‌شوند).

I, J, K

ابعاد شبکه را برای داده‌های ORDERED (ساختاریافته) مشخص می‌کنند.

NODES, ELEMENTS

تعداد کل گره‌ها و المان‌ها را برای داده‌های FINITE-ELEMENT (المان محدود) مشخص می‌کنند.

تفاوت اصلی بین DATAPACKING=BLOCK و DATAPACKING=POINT در ترتیب نوشتن داده‌هاست. در حالت POINT، برای هر نقطه (گره)، مقادیر تمام متغیرها پشت سر هم نوشته می‌شود. اما در حالت BLOCK، ابتدا تمام مقادیر متغیر اول برای همه نقاط، سپس تمام مقادیر متغیر دوم برای همه نقاط و به همین ترتیب تا آخر نوشته می‌شود. همانطور که در بخش قبل اشاره شد، فرمت BLOCK برای کارایی بالاتر به شدت توصیه می‌شود.

تولید خروجی برای تک پلات در قالب ASCII یک روش آموزشی و کاربردی برای داده‌های کوچک است. با این حال، برای کاربردهای حرفه‌ای و داده‌های بزرگ، روش بعدی یعنی ایجاد مستقیم فایل‌های باینری، رویکردی بسیار کارآمدتر است.

روش دوم: ایجاد فایل‌های باینری (plt.) با استفاده از کتابخانه TecIO (روش پیشنهادی)

برای برنامه‌هایی مانند حلگرهای CFD یا FEA که حجم عظیمی از داده را تولید می‌کنند، ایجاد مستقیم فایل‌های باینری (plt.) با استفاده از کتابخانه TecIO روشی بسیار کارآمدتر و حرفه‌ای‌تر است. این رویکرد از ایجاد فایل‌های میانی ASCII و فرآیند زمان‌بر تبدیل آن‌ها به باینری جلوگیری می‌کند و بدین ترتیب در زمان و فضای دیسک صرفه‌جویی می‌کند. کتابخانه TecIO مجموعه‌ای از توابع است که به برنامه‌نویسان اجازه می‌دهد داده‌های خود را مستقیماً با فرمت باینری و بهینه Tecplot بنویسند.

برای ایجاد یک فایل باینری با استفاده از TecIO، توابع اصلی باید به ترتیب خاصی فراخوانی شوند. این توالی تضمین می‌کند که فایل با ساختار صحیح ایجاد شود:

  1. TECINI111: این تابع اولین تابعی است که فراخوانی می‌شود و وظیفه مقداردهی اولیه و ایجاد فایل باینری را بر عهده دارد. در این مرحله، عنوان مجموعه داده، نام متغیرها و نام فایل خروجی مشخص می‌شود.
  2. TECZNE111: برای هر ناحیه (Zone) در مجموعه داده، این تابع برای تعریف سرآیند (header) آن ناحیه فراخوانی می‌شود. اطلاعاتی مانند عنوان ناحیه، نوع آن (مثلاً ORDERED یا FEBRICK)، ابعاد و تنظیمات اشتراک‌گذاری داده در این مرحله تعیین می‌گردد.
  3. TECDAT111: پس از تعریف یک ناحیه، این تابع برای نوشتن داده‌های عددی متغیرها (مانند مختصات گره‌ها، فشار، دما و …) به فایل فراخوانی می‌شود. این تابع می‌تواند چندین بار برای نوشتن داده‌ها به صورت تکه‌تکه فراخوانی شود.
  4. TECNOD111 یا TECPOLY111: اگر ناحیه از نوع المان محدود (Finite-Element) باشد، پس از نوشتن داده‌های متغیرها، باید اطلاعات اتصال (Connectivity) را نوشت. تابع TECNOD111 برای المان‌های مبتنی بر سلول (مانند مثلث و چهارضلعی) و TECPOLY111 برای المان‌های چندوجهی (polyhedral) استفاده می‌شود.
  5. TECEND111: این تابع آخرین تابعی است که فراخوانی می‌شود و فایل را به درستی می‌بندد. به ازای هر فراخوانی TECINI111، باید یک فراخوانی TECEND111 وجود داشته باشد.
در جدول زیر، عملکرد هر یک از این توابع کلیدی به طور خلاصه شرح داده شده است:

نام تابع

هدف اصلی

نکات کلیدی

TECINI111

مقداردهی اولیه فایل

نام فایل، عنوان و لیست متغیرها را مشخص می‌کند. این تابع باید قبل از هر تابع دیگری فراخوانی شود.

TECZNE111

تعریف سرآیند ناحیه

نوع ناحیه، ابعاد (I ,J ,K یا تعداد گره‌ها و المان‌ها)، زمان حل و اطلاعات اشتراک‌گذاری متغیر را تعریف می‌کند.

TECDAT111

نوشتن داده‌های متغیرها

آرایه‌ای از داده‌های عددی (مثلاً مختصات X) را برای ناحیه فعلی می‌نویسد.

TECNOD111

نوشتن لیست اتصال (مبتنی بر سلول)

برای نواحی المان محدود مبتنی بر سلول (cell-based)، نحوه اتصال گره‌ها برای تشکیل المان‌ها را مشخص می‌کند.

TECPOLY111

نوشتن نقشه وجوه (مبتنی بر وجه)

برای نواحی چندوجهی (face-based)، اطلاعات پیچیده‌تر اتصال وجوه و المان‌ها را می‌نویسد.

TECEND111

بستن فایل

فرآیند نوشتن را نهایی کرده و فایل را می‌بندد. این تابع برای اطمینان از صحت فایل ضروری است.

کتابخانه TecIO (معمولاً با نام tecio.a در لینوکس یا TecIO.lib در ویندوز) همراه با نصب Tecplot 360 ارائه می‌شود. برنامه‌نویسان می‌توانند این کتابخانه را به کد منبع حلگر خود (که به زبان‌هایی مانند C یا FORTRAN نوشته شده) لینک کرده و از توابع آن برای تولید خروجی‌های باینری بهینه استفاده کنند.

این روش، اگرچه به دانش برنامه‌نویسی نیاز دارد، اما استاندارد صنعتی برای یکپارچه‌سازی حلگرها با ابزارهای پس‌پردازش پیشرفته است. پس از آشنایی با این دو روش، درک مفاهیم بنیادی ساختار داده که بین هر دو مشترک است، اهمیت می‌یابد.

مفاهیم کلیدی در ساختار داده‌های Tecplot

صرف نظر از اینکه فایل داده را به صورت ASCII یا باینری تولید می‌کنید، درک مفاهیم بنیادی ساختار داده برای نمایش صحیح نتایج شبیه‌سازی ضروری است. این مفاهیم، بلوک‌های سازنده هر مجموعه داده‌ای در Tecplot هستند و نحوه نمایش مش، کانتورها و بردارها را تعیین می‌کنند.

انواع ناحیه (Zone Types)

داده‌ها در Tecplot به دو دسته اصلی تقسیم می‌شوند که هر کدام برای نوع خاصی از شبکه مناسب است:

  • داده‌های مرتب (Ordered Data): این نوع داده برای شبکه‌های ساختاریافته (Structured Grids) به کار می‌رود که در آن هر گره با یک اندیس سه‌گانه (I ,J ,K) قابل شناسایی است. اتصال بین گره‌ها به صورت ضمنی و بر اساس ترتیب اندیس‌ها مشخص می‌شود و نیازی به تعریف لیست اتصال جداگانه نیست. این ساختار برای شبکه‌هایی که توپولوژی منظمی دارند، مانند یک شبکه کارتزین ساده، بسیار کارآمد است.
  • داده‌های المان محدود (Finite-Element Data): این نوع داده برای شبکه‌های بی‌ساختار (Unstructured Grids) استفاده می‌شود. در این حالت، شبکه از المان‌های گسسته‌ای تشکیل شده است (مانند FETRIANGLE, FEQUADRILATERAL, FEBRICK, و FETETRAHEDRON برای داده‌های مبتنی بر سلول، و FEPOLYGON/FEPOLYHEDRON برای داده‌های مبتنی بر وجه). برخلاف داده‌های مرتب، اتصال بین گره‌ها باید به صراحت از طریق «لیست اتصال» تعریف شود. این ساختار انعطاف‌پذیری بالایی برای مدل‌سازی هندسه‌های پیچیده فراهم می‌کند.

این مفهوم مستقیماً به پارامتر ZONETYPE در فایل ASCII و آرگومان ZoneType در تابع TECZNE111 نگاشت می‌شود.

مکان‌یابی متغیر (Variable Location)

مقادیر متغیرهای فیزیکی (مانند دما، فشار یا سرعت) می‌توانند در مکان‌های مختلفی روی شبکه تعریف شوند:

  • گره‌ای (Nodal): در این حالت، مقدار هر متغیر در گره‌های (Nodes) شبکه تعریف می‌شود. این روش رایج‌ترین حالت است و برای رسم کانتورهای صاف و دقیق مناسب است، زیرا مقادیر در خود رئوس المان‌ها مشخص هستند.
  • مرکز سلولی (Cell-Centered): در این حالت، مقدار هر متغیر برای کل یک سلول یا المان به صورت یک مقدار واحد در مرکز آن تعریف می‌شود. این روش اغلب در حلگرهایی که از روش‌های حجم محدود (Finite Volume) استفاده می‌کنند، به کار می‌رود. نمایش داده‌های مرکز سلولی معمولاً به صورت تکه‌تکه (piecewise constant) است.

این انتخاب از طریق پارامتر VARLOCATION در فایل ASCII و آرگومان ValueLocation در تابع TECZNE111 کنترل می‌شود.

لیست اتصال (Connectivity List)

این مفهوم فقط برای نواحی از نوع المان محدود کاربرد دارد. لیست اتصال (Connectivity List) بخشی از داده است که مشخص می‌کند کدام گره‌ها به یکدیگر متصل می‌شوند تا یک المان را تشکیل دهند. برای مثال، برای یک المان مثلثی، لیست اتصال شامل شماره اندیس سه گره‌ای است که رئوس آن مثلث را تشکیل می‌دهند. برای یک المان آجری (Brick)، این لیست شامل شماره اندیس هشت گره خواهد بود. این اطلاعات برای ترسیم صحیح مش و محاسبه گرادیان‌ها برای رسم کانتور و بردار ضروری است. در داده‌های مرتب (Ordered)، نیازی به این لیست نیست زیرا اتصال به صورت ضمنی از روی اندیس‌های I ,J ,K مشخص است.

این لیست داده پس از داده‌های متغیرها در فایل ASCII نوشته می‌شود یا از طریق توابعی مانند TECNOD111 برای فرمت باینری ارسال می‌گردد.

این مفاهیم بنیادی، زبان مشترکی را برای توصیف داده‌های شبیه‌سازی فراهم می‌کنند و تسلط بر آن‌ها برای آماده‌سازی صحیح داده‌ها جهت پس‌پردازش پیشرفته حیاتی است.

 جمع‌بندی و جان کلام

در این راهنما، دو روش اصلی برای آماده‌سازی داده‌های خروجی برای تحلیل در نرم‌افزار Tecplot را بررسی کردیم. روش اول، ایجاد فایل‌های متنی ASCII، به دلیل خوانایی بالا یک ابزار عالی برای یادگیری ساختار داده و کاربردهای ساده است. روش دوم، استفاده از فرمت باینری و کتابخانه TecIO، یک رویکرد حرفه‌ای و کارآمد برای برنامه‌های مهندسی مانند حلگرهای CFD و FEA است که با حجم عظیمی از داده سروکار دارند.

توصیه کلیدی مستندات فنی و بهترین شیوه‌های صنعتی کاملاً واضح است: برای مجموعه داده‌های بزرگ و کاربردهای حرفه‌ای، استفاده مستقیم از فرمت باینری از طریق کتابخانه TecIO به شدت توصیه می‌شود. این روش نه تنها به طور چشمگیری حجم فایل‌ها و زمان بارگذاری را کاهش می‌دهد، بلکه فرآیند تولید خروجی برای تک پلات را با حذف مراحل میانی، ساده‌تر و قابل اعتمادتر می‌سازد.

در نهایت، باید تاکید کرد که تسلط بر اصول ساختاردهی داده‌های خروجی—شامل درک مفاهیمی مانند انواع نواحی، مکان‌یابی متغیرها و لیست اتصال—یک مهارت کلیدی برای هر مهندس یا تحلیلگر شبیه‌سازی است. این دانش به شما امکان می‌دهد تا از تمام پتانسیل ابزارهای پس‌پردازش پیشرفته بهره‌مند شوید و بینش‌های عمیق‌تر و دقیق‌تری از نتایج شبیه‌سازی‌های خود استخراج کنید.

نظرات بسته شده است.