当前位置:网站首页>MOOSE平台使用入门攻略——如何运行官方教程的例子
MOOSE平台使用入门攻略——如何运行官方教程的例子
2022-08-04 05:30:00 【nuomi666】
本文仅介绍如何运行MOOSE平台官方给出的几个例子(Examples and Tutorials | MOOSE),如何安装MOOSE平台可以参考官方教程(Install MOOSE | MOOSE),本文是基于windows10系统的Ubuntu 20.04虚拟机进行的。
运行这些例子,可以使用自己构建的app,也可以编译官方给出的例子文件夹的app,为了尽快的跑通例子,这里直接编译例子文件夹中的app。
1、切换moose环境
首先打开Ubuntu,输入
conda activate moose
如果还没有构建moose环境,可以参考(Conda MOOSE Environment | MOOSE),
此时命令行的开头base将转变为moose
2、编译app
以Ee01为例,这里推荐大家把原始文件在同目录下复制一次,切换工作目录至复制后的文件夹~\projects\moose\examples\ex01_inputfile_copy,然后运行make -j 4编译该目录下的app即可,其中j后面的数字是多少线程进行编译的意思,-j4即为4线程。
cd ~/projects/moose/examples/ex01_inputfile_copy
make -j 4
编译的过程
编译的过程较慢,耐心等待完成即可。
3、运行例子
在app编译完成后,我们就能使用生成的appname-opt文件运行相应的执行文件(name.i),这里使用在ex01_inputfile_copy目录下刚编译的app:ex01-opt,去运行ex01.i,输入命令
./ex01-opt -i ./ex01.i
耐心等待结果即可,求解的模型信息
Framework Information:
MOOSE Version: git commit cddfe1453b on 2021-12-14
LibMesh Version:
PETSc Version: 3.15.1
SLEPc Version: 3.15.1
Current Time: Tue May 10 13:34:47 2022
Executable Timestamp: Tue May 10 13:32:14 2022
Parallelism:
Num Processors: 1
Num Threads: 1
Mesh:
Parallel Type: replicated
Mesh Dimension: 3
Spatial Dimension: 3
Nodes: 3774
Elems: 2476
Num Subdomains: 1
Nonlinear System:
Num DOFs: 3774
Num Local DOFs: 3774
Variables: "diffused"
Finite Element Types: "LAGRANGE"
Approximation Orders: "FIRST"
Execution Information:
Executioner: Steady
Solver Mode: Preconditioned JFNK
求解的过程,残差输出
4、结果查看
在本例中,最终输出的文件是ex01_out.e,采用Exodus II格式,该格式可以使用Paraview(Download | ParaView)查看,或者使用Moose平台自带的Peacock(Peacock | MOOSE)。
使用Paraview打开后,第一步在默认界面左下方的Properties选项卡中勾选要查看的变量名称,第二步点击Apply按钮。
第三步在界面上方选择显示的变量,第四步显示求解域的类型(表面、网格或者节点等),对于瞬态模型,还可以对时间步进行调整。
最终的结果展示:
5、备注
在初次编译的过程中,出现错误代码
MAKEFILE:11:*** MISSING SEPARATOR. STOP.
后面打开脚本文件Makefile进行查看,发现为空白,应该是之前使用的过程中,操作失误删除了里面的内容导致。
解决办法:打开MOOSE官网的GitHub库,找到损坏文件的链接,使用GitHub文件下载器(GitHub 文件加速),下载相应的文件,然后替换已经损坏的文件。
边栏推荐
- Simple and clear, the three paradigms of database design
- Data reading in yolov3 (1)
- Attention Is All You Need(Transformer)
- Polynomial Regression (PolynomialFeatures)
- WARNING: sql version 9.2, server version 11.0. Some psql features might not work.
- 【深度学习21天学习挑战赛】3、使用自制数据集——卷积神经网络(CNN)天气识别
- 2020-10-29
- Logistic Regression --- Introduction, API Introduction, Case: Cancer Classification Prediction, Classification Evaluation, and ROC Curve and AUC Metrics
- 多项式回归(PolynomialFeatures)
- latex-写论文时一些常用设置
猜你喜欢
Jupyter Notebook安装库;ModuleNotFoundError: No module named ‘plotly‘解决方案。
tensorRT教程——tensor RT OP理解(实现自定义层,搭建网络)
PP-LiteSeg
【CV-Learning】Object Detection & Instance Segmentation
TensorFlow2 study notes: 5. Common activation functions
Halcon缺陷检测
Dictionary feature extraction, text feature extraction.
Briefly say Q-Q map; stats.probplot (QQ map)
线性回归02---波士顿房价预测
【CV-Learning】线性分类器(SVM基础)
随机推荐
【论文阅读】SPANET: SPATIAL PYRAMID ATTENTION NETWORK FOR ENHANCED IMAGE RECOGNITION
yoloV5 使用——训练速度慢,加速训练
多层LSTM
TensorFlow: tf.ConfigProto() and Session
ConnectionRefusedError: [Errno 111] Connection refused问题解决
Simple and clear, the three paradigms of database design
[Deep Learning 21 Days Learning Challenge] Memo: What does our neural network model look like? - detailed explanation of model.summary()
Usage of Thread, Handler and IntentService
TensorFlow2学习笔记:6、过拟合和欠拟合,及其缓解方案
MFC 打开与保存点云PCD文件
逻辑回归---简介、API简介、案例:癌症分类预测、分类评估法以及ROC曲线和AUC指标
thymeleaf中 th:href使用笔记
腾讯、网易纷纷出手,火到出圈的元宇宙到底是个啥?
Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions
[Deep Learning 21 Days Learning Challenge] 2. Complex sample classification and recognition - convolutional neural network (CNN) clothing image classification
TensorFlow2 study notes: 5. Common activation functions
fill_between in Matplotlib; np.argsort() function
sklearn中的pipeline机制
【深度学习21天学习挑战赛】备忘篇:我们的神经网模型到底长啥样?——model.summary()详解
[Deep Learning 21-Day Learning Challenge] 3. Use a self-made dataset - Convolutional Neural Network (CNN) Weather Recognition