NumPy یک کتابخانه اساسی در پایتون برای محاسبات عددی است.این عملیات آرایه کارآمد و توابع ریاضی ضروری برای شبیه سازی مهندسی را فراهم می کند.ساخت توابع سفارشی در NumPy اجازه می دهد تا مهندسان محاسبات را به نیازهای خاص، بهبود دقت شبیه سازی و عملکرد.

ایجاد توابع ریاضی سفارشی

توابع سفارشی در NumPy می تواند با استفاده از توابع استاندارد پایتون که از عملیات های NumPy استفاده می کنند ایجاد شود، این توابع می توانند محاسبات پیچیده مانند حل معادلات دیفرانسیل، انتگرال محاسباتی یا استفاده از مدل های ریاضی خاص را انجام دهند.

به عنوان مثال، یک تابع سفارشی برای محاسبه استرس در یک ماده ممکن است عملیات های متعدد عددی را برای در نظر گرفتن نیروهای مختلف و خواص مواد ترکیب کند.

اجرای عملیات Vectorized

قدرت NumPy در توانایی خود برای انجام عملیات های بردار است. توابع سفارشی باید از این ویژگی برای پردازش مجموعه داده های بزرگ به جای حلقه زدن از طریق عناصر فردی، استفاده از عملیات آرایه NumPy برای انجام محاسبات بر روی کل آرایه ها در یک زمان استفاده کنند.

این رویکرد به طور قابل توجهی زمان محاسبات را کاهش می دهد که در شبیه سازی های بزرگ بسیار مهم است.

مثال: عملکرد سفارشی برای انتقال حرارت

در زیر یک مثال از یک تابع معمولی NumPy برای محاسبه میزان انتقال حرارت بر اساس تفاوت دما و خواص مواد است:

[[ویرایش] [۱]

⁇ python واردات numpy به عنوان np def Heat transfer rate (درجه حرارت diff، حرارتی رسانه، منطقه، ضخامت): ⁇ Calculate انتقال حرارت با استفاده از قانون چهارier. ⁇ بازگشت حرارتی رسانه * منطقه * دما *diff / ضخامت ⁇