iam-git / WellMet (public) (License: MIT) (since 2021-08-31) (hash sha1)
WellMet is pure Python framework for spatial structural reliability analysis. Or, more specifically, for "failure probability estimation and detection of failure surfaces by adaptive sequential decomposition of the design domain".
Clone URLs: https://rocketgit.com/user/iam-git/WellMet ssh://rocketgit@ssh.rocketgit.com/user/iam-git/WellMet git://git.rocketgit.com/user/iam-git/WellMet
release trunk
List of commits:
Subject Hash Author Date (UTC)
implement even more optimized Convex.. now ConvexSpline class c08511aecb32b880e73c9f10d07feff4dc588e8b I am 2022-10-19 04:11:13
voronoi: WIP cbb61d4544367a67c9a5c3fe6d64a9dc284eb364 I am 2022-10-18 05:05:44
voronoi: WIP e9c247fef30cfb678bad9b955d6f6a94a0ff61e7 I am 2022-10-18 01:02:30
candynodex: hotfix to support numpy masking indexing f359123b72a3d998d5eed4b9e611a5e402a18c8d I am 2022-10-17 09:02:33
add new lightweight candynodes module to replace old heavy ugly candybox ca97509f47c100df90e1e06d82ed7c759627bfd0 I am 2022-10-17 06:31:33
qt_gui: move CandyBox creating to the individual DiceBox widgets 29253625129219b5e550f82cae3da0e53ef5bd47 I am 2022-10-16 03:17:55
voronoi: WIP 4855190869e06df740cc05c64e8b27b2c3c5a88d I am 2022-10-15 22:46:51
voronoi: WIP 0298b3a0563587ea4fc24fa99b51d2e01d517203 I am 2022-10-15 20:00:25
voronoi: WIP 4b80757fa26e3d40dceac888480ec3d814f6abc9 I am 2022-10-15 17:30:11
voronoi: WIP 7cadd1d01d7f4bc3f51e785fe6ebf8cae6ff839a I am 2022-10-15 03:12:54
voronoi: clean up and comment out ContactSolver 543f8482a925ff6cf8485b9be616b5bd3c714d13 I am 2022-10-14 04:24:40
qt_gui.qt_gui: use ConvexSolver instead of ContactSolver (which did not work correctly) c1e49a9b2c3cc13886d317b460d7598f661cf216 I am 2022-10-14 04:01:06
voronoi: add fantastic ConvexSolver 2853826e5ef1abc79d3ac2fb8289b13c45211a31 I am 2022-10-14 04:00:14
qt_gui.qt_plot: add (finally!) Numbers class 4cdc658c0fcc857c23c0e39e91e7a1ce5e1b30a1 I am 2022-10-13 06:23:46
qt_gui.qt_gui: show contacts in distance matrix. Based on ContactSolver for now 21bd6101888d9f06d7d6a7c6ba2732ff30fdd68d I am 2022-10-13 04:16:41
voronoi: ContactSolver is ready. Ale je to na nic. Pomalá, potvora 28e2442b0101eac2407ed4a69c6f757ffd579cf1 I am 2022-10-13 04:14:59
voronoi: add some preliminary lines of ContactSolver. WIP 6a203b278c9fa6de7da75c402c80f78d40164fdf I am 2022-10-12 23:38:59
voronoi: přídat pár těžkých smyček. WIP 7b0ffb602ae00ab2f12dc98d34c35ec20afa3cc4 I am 2022-10-12 00:13:36
add to repo voronoi module. WIP f43768c22d88fac7c7095be02d8c9b5620153976 I am 2022-10-11 03:29:49
convex_hull.Grick: malý puntičkářský fix v get_r() cfa07257b9ebadc21f2bd295d35978072fac19e9 I am 2022-10-10 07:14:26
Commit c08511aecb32b880e73c9f10d07feff4dc588e8b - implement even more optimized Convex.. now ConvexSpline class
Author: I am
Author date (UTC): 2022-10-19 04:11
Committer name: I am
Committer date (UTC): 2022-10-19 04:11
Parent(s): cbb61d4544367a67c9a5c3fe6d64a9dc284eb364
Signer:
Signing key:
Signing status: N
Tree: d186d8f7658bb0b18fd379610e19db480fbd9a38
File Lines added Lines deleted
wellmet/qt_gui/qt_gui.py 2 2
wellmet/voronoi.py 162 8
File wellmet/qt_gui/qt_gui.py changed (mode: 100644) (index 90fb374..bc51b7f)
... ... from pyqtgraph import console
10 10 import numpy as np import numpy as np
11 11 from scipy import spatial # for distance matrix from scipy import spatial # for distance matrix
12 12 from . import qt_graph_widgets from . import qt_graph_widgets
13 from ..voronoi import ConvexSolver
13 from ..voronoi import ConvexSpline
14 14 from .. import reader from .. import reader
15 15
16 16
 
... ... class QtGuiWindow(QtWidgets.QMainWindow):
546 546 #č takhle funguje, jinak nefunguje #č takhle funguje, jinak nefunguje
547 547 #mask[failure_points][:,failure_points] = 0 #mask[failure_points][:,failure_points] = 0
548 548
549 CS = ConvexSolver(sample_space)
549 CS = ConvexSpline(sample_space)
550 550 contacts = np.zeros((nsim, nsim), dtype=np.bool8) contacts = np.zeros((nsim, nsim), dtype=np.bool8)
551 551 for i in range(nsim): for i in range(nsim):
552 552 for j in range(i): for j in range(i):
File wellmet/voronoi.py changed (mode: 100644) (index 5f798fd..8624ad2)
... ... class ConvexSolver:
111 111 return is_line_convex(self.lifted_points, couple_indices) return is_line_convex(self.lifted_points, couple_indices)
112 112
113 113
114 #č Odbočka z odbočky
115 class ConvexSpline:
116 """
117 č Hlavní pointa CS tříd:
118 č pokud dva body zvednuté na povrch convexního paraboloidu
119 č v prostoru ndim+1 (feature space, quadratic kernel)
120 č lze lineárně separovat (hyperrovinou) od ostatních bodů,
121 č znamená to, že v původním prostoru
122 č jejich Voroného buňky budou mít společnou stěnu (kontakt),
123 č neboli, což je totež, u Delone triangulace by měly společné simplexy
124
125 č Hlavní pointa ConvexSpline třídy:
126 č Využit navíc geometrických informací, které už předem známé:
127 č 1. Známe souřadnice vzorků.
128 č 2. Víme, že přímka mezí těmi dvěma vzorky leží v hyperrovině
129 č 3. Vždyť to my zvedáme na povrch convexního paraboloidu!
130 č Můžeme tedy v každém její bodě najit tečnou hyperrovinu.
131
132
133 č nebudeme puntičkařit a pro jednoduchost předepíšeme,
134 č nechť dva body zájmu leží přímo v hyperrovině
135 č (bude to hlasít existence rozhraní i v degenerovaných případech
136 č jako např. tří teček na jedné přímce. Mně to ale nevadí)
137 """
138 def __init__(self, points):
139 nsim, ndim = points.shape
140
141 self.lifted_points = np.empty((nsim, ndim + 1))
142 self.lifted_points[:, :ndim] = points
143 # kind of datascience. feature space, quadratic kernel...
144 self.lifted_points[:, -1] = np.sum(np.square(points), axis=1)
145
146
147 def is_couple(self, couple_indices):
148 i, j = couple_indices
149
150 X = self.lifted_points
151 __nsim, ndim = X.shape
152
153
154
155
156 basis = np.random.random((ndim, ndim))
157 #č první vektor musí být zadán přímkou mezí vzorky
158 #č jinak se posype náš předpoklad, že leží v hyperrovině
159 #č a žádné výsledky "za", "před" hyperrovinou nebudou nic znamenat
160 basis[:, 0] = X[j] - X[i] #č QR rozklad jede po sloupcich
161
162 #č jako indice zkusme použit bod na usečce uprostřed mezí vzorky
163 half_point = np.sum(self.lifted_points[[i, j]], axis=0)
164 np.divide(half_point, 2, out=half_point)
165
166 #č všechy souřadnice jsou dány radius-vektorem od středu,
167 #č ale poslední souřadnice je to naše zvednutí,
168 #č kde bychom mohli zkusit dát korrektnější směr.
169 #č Mně humpolackými uvahami o tečně paraboly
170 #č na caru paríru vyšlo něco jako
171 #č že stačí dát poslední složku 0,5.
172 #č Jakože čím je roloměr je větší,
173 #č tím je "svislá" složka automaticky měnší.
174 #č Jakože netřeba ani normalizovat, ani nic "složitě" počítat
175 half_point[-1] = -0.5
176
177 #č ten náš radius-vektor není ortogonální
178 #č k přímce, na které leží ty naši dva vzorky
179 #č QR rozklad je ortogonalizuje
180 #č a vygeneruje další ortogonalní vektory
181 basis[:, 1] = half_point
182 basis, __ = np.linalg.qr(basis)
183
184
185 #č vytahneme náš ortogonalizovaný odhad
186 #č normálního vektoru
187 a = basis[:, 1]
188 ##č nejak tuším, že v poslední dimenzi
189 ##č znaménko normál musí být jednotné
190 a = a * -np.sign(a[-1])
191 b = X @ a
192
193 if np.max(b) - np.max(b[[i, j]]) < 1e-7:
194 #č bylo to myšleno jako jakési zoufalství
195 #č ale funguje překvapivě dobře
196 return True
197 else:
198 idx = np.argmax(b)
199 #č nahradíme v jedničce naš odhad normálního vektoru
200 #č nalezenou překažkou.
201 #č Zbytek bazí je jíž byl ortogonální
202 #č k té naši pomyšlené normále
203 basis[:, 1] = X[idx] - X[i]
204
205 #č Ve zbytku pokračujeme jako vždycky.
206 #č Pořad ndim pokusu u False párečku
207 for __ in range(ndim):
208 basis, __ = np.linalg.qr(basis)
209
210 # get constrain
211 a = basis[:, -1]
212 #č nejak tuším, že v poslední dimenzi
213 #č znaménko normál musí být jednotné
214 a = a * -np.sign(a[-1])
215 b = X @ a
216 if np.max(b) - np.max(b[[i, j]]) < 1e-7:
217 return True
218 else:
219 idx = np.argmax(b)
220 basis[:, 2:] = basis[:, 1:-1]
221 basis[:, 1] = X[idx] - X[i]
222
223 basis, __ = np.linalg.qr(basis)
224 a = basis[:, -1]
225 #č nejak tuším, že v poslední dimenzi
226 #č znaménko normál musí být jednotné
227 a = a * -np.sign(a[-1])
228 b = X @ a
229 return np.max(b) - np.max(b[[i, j]]) < 1e-7
114 230
115 231
116 232
 
... ... class ContactVoronoi:
262 378 č Neplatí: č Neplatí:
263 379 č 2. (Při přidani vzorku "c"). Jakože neexistují-li kontakty mezi vzorky "c" a "a", č 2. (Při přidani vzorku "c"). Jakože neexistují-li kontakty mezi vzorky "c" a "a",
264 380 č a mezi "c" a "b", tak přídaní "c" nemůže kontakt mezi "a" a "b" ovlivnit. č a mezi "c" a "b", tak přídaní "c" nemůže kontakt mezi "a" a "b" ovlivnit.
381
382
383 č Poznámky k adaptivnímu vzorkování:
384 č Pro vzorkování alike potřebujeme CoV,
385 č kde važení hustotámi je relativné,
386 č násobení dvakrát aweights nezmění výslednou kovarianční matici.
387 č Pro rozhodování, která sada nejlepé zachytila "buňku" -
388 č něco jako matici setrvačnosti, u které by násobění "hmotností"
389 č konstantou zvětšovalo by celkovou setrvačnost systému.
390 č Tušíme, že (obecně) dobře zachycená "buňka" by měla výkazovat
391 č největší setrvačnost, ale i taky prostě hmotnost (pravděpodobnostní obsah).
392 č Mohli bychom zůstat u CoV pro účely adaptivního vzorkování
393 č a volít nejlepší sadu podle podílu pravděpodobnostního obsahu
394 č k rozptylu estimatoru
395
396
397
398 č co máme zadavat jako aweight u np.cov?
399 č pdf bodíku? Nebo jejich vahy?
400
401 č jak počítat skore? čím máme dělit pravděpodobnostní obsah?
402 č 1. sum((w_i - w_mean)**2) / n To je rozptyl w
403 č 2. sum((w_i - w_mean)**2) / n**2 To je rozptyl odhadu w_mean
404 č 3. sqrt(sum((w_i - w_mean)**2)) / n Směrodatná odhylka odhadu w_mean
265 405 """ """
266 406 def __init__(self, sample_box, hull, model_space='G', \ def __init__(self, sample_box, hull, model_space='G', \
267 407 p_norm=2, ns=1000, p_base=0.5, auto_update=True, \ p_norm=2, ns=1000, p_base=0.5, auto_update=True, \
 
... ... class ContactVoronoi:
359 499 #č já vím, že sample box pokážde failsi přepočítavá #č já vím, že sample box pokážde failsi přepočítavá
360 500 self.failsi = failsi = self.sample_box.failsi self.failsi = failsi = self.sample_box.failsi
361 501
362 self.CS = ConvexSolver(sampled_plan_model)
502 self.CS = ConvexSpline(sampled_plan_model)
363 503 self.PDF = self.sample_box.pdf(self.model_space) self.PDF = self.sample_box.pdf(self.model_space)
364 504
365 505 assert len(self._indices_to_update) == 0 assert len(self._indices_to_update) == 0
 
... ... class ContactVoronoi:
443 583 # #č a na ně vykašle # #č a na ně vykašle
444 584 # self._indices_to_update.add((max(j,k), min(j,k))) # self._indices_to_update.add((max(j,k), min(j,k)))
445 585
446 def _recommend_to_integrate(self, nodes_idx):
586 def _recommend_to_integration(self, nodes_idx):
447 587 #č Má cenu integrovat pouze nejreprezentativnější sadu bodů. #č Má cenu integrovat pouze nejreprezentativnější sadu bodů.
448 588 #č Špatné sady je velmi obtižné správně započítavat #č Špatné sady je velmi obtižné správně započítavat
449 589 #č aby nezhoršovaly výsledek. #č aby nezhoršovaly výsledek.
 
... ... class ContactVoronoi:
481 621 np.divide(contact_node_model, 2, out=contact_node_model) np.divide(contact_node_model, 2, out=contact_node_model)
482 622
483 623 #č bodík nebude mít vahu - nechť si s tím integrovačka poradí! #č bodík nebude mít vahu - nechť si s tím integrovačka poradí!
624 #č (ten bodík by neměl být omylem doporučen k integraci)
484 625 idx, dd, ii, mask = self._store_masked(contact_node_model, couple_indices, event_id) idx, dd, ii, mask = self._store_masked(contact_node_model, couple_indices, event_id)
485 626
486 627 #č kontakt neexistuje, netřeba nic robiť, j-ko i-čkem není dotčen #č kontakt neexistuje, netřeba nic robiť, j-ko i-čkem není dotčen
 
... ... class ContactVoronoi:
516 657 #č uspěch. Dodáme bodíkům vahy #č uspěch. Dodáme bodíkům vahy
517 658 nodes = self.nodes[idx] nodes = self.nodes[idx]
518 659 w = nodes.pdf(self.model_space) / pdf[mask] / self.ns w = nodes.pdf(self.model_space) / pdf[mask] / self.ns
519 nodes.w = w
660 #č Tamta filtrace stromem zaručuje,
661 #č že bodíky (přenejmenším na vstupu f_modelu)
662 #č mají konečné souřadnice bez nan a nekonečno.
663 #č To ale nic neříká o hustotách
664 mask = np.isfinite(w)
665 nodes.w = w * mask
666 nodes.p_couple = np.sum(w[mask])
520 667 #č a doporučíme (dočasně) k integraci #č a doporučíme (dočasně) k integraci
521 self._recommend_to_integrate(idx)
668 self._recommend_to_integration(idx)
522 669
523 670 if len(nodes) > ndim: if len(nodes) > ndim:
524 671 #č a spustíme adaptivní IS vzorkování #č a spustíme adaptivní IS vzorkování
 
... ... class ContactVoronoi:
781 928
782 929
783 930 def score(self, nodes): def score(self, nodes):
784
931 """
932 č z
933 """
785 934 if len(nodes) < nodes.nvar + 1: if len(nodes) < nodes.nvar + 1:
786 935 # in case of update reset the final score only # in case of update reset the final score only
787 936 nodes.score = -2 nodes.score = -2
 
... ... class ContactVoronoi:
789 938
790 939 nodes_model = getattr(nodes, self.model_space) nodes_model = getattr(nodes, self.model_space)
791 940 nodes_pdf = nodes.pdf(self.model_space) nodes_pdf = nodes.pdf(self.model_space)
941
792 942 S_bc = np.cov(nodes_model, rowvar=False, bias=True, aweights=nodes_pdf) S_bc = np.cov(nodes_model, rowvar=False, bias=True, aweights=nodes_pdf)
793 943
794 944 #č matika #č matika
 
... ... class ContactVoronoi:
805 955
806 956
807 957
808 def sample_couple(self, couple_indices, event_id, center, r):
809 """č máme nový manželský páreček
810 оӵ Выль кузо. Мар меда кароно?
958 def sample_alike(self, nodes):
959 """
811 960 č zde jenom vzorkujeme; č zde jenom vzorkujeme;
812 961 č integrování, vyhodnocování je jinde a později! č integrování, vyhodnocování je jinde a později!
813 962 """ """
 
... ... class ContactVoronoi:
1094 1243 f = self.sample_box.f_model f = self.sample_box.f_model
1095 1244 #č tady je to super, ťažké datové struktury f-modelu #č tady je to super, ťažké datové struktury f-modelu
1096 1245 #č vytvaříme na jíž vyfiltrovaných datéch #č vytvaříme na jíž vyfiltrovaných datéch
1246 #č Tahle filtrace stromem zaručuje,
1247 #č že bodíky (přenejmenším na vstupu f_modelu)
1248 #č mají konečné souřadnice bez nan a nekonečno.
1249 #č To ale nic neříká o hustotách
1097 1250 nodes = f.new_sample(nodes_model[mask], self.model_space) nodes = f.new_sample(nodes_model[mask], self.model_space)
1098 1251 couple_stats = {'event_id':event_id, 'couple':couple_indices} couple_stats = {'event_id':event_id, 'couple':couple_indices}
1099 1252 nodes = CandyNodes(nodes, couple_stats) nodes = CandyNodes(nodes, couple_stats)
1100 1253 idx = self.nodes.add(nodes) idx = self.nodes.add(nodes)
1254 nodes.idx = idx
1101 1255
1102 1256 #č červené kontakty prostě rovnou integrujeme #č červené kontakty prostě rovnou integrujeme
1103 1257 #č takže netřeba pro ně ukladat zbytečná data #č takže netřeba pro ně ukladat zbytečná data
Hints:
Before first commit, do not forget to setup your git environment:
git config --global user.name "your_name_here"
git config --global user.email "your@email_here"

Clone this repository using HTTP(S):
git clone https://rocketgit.com/user/iam-git/WellMet

Clone this repository using ssh (do not forget to upload a key first):
git clone ssh://rocketgit@ssh.rocketgit.com/user/iam-git/WellMet

Clone this repository using git:
git clone git://git.rocketgit.com/user/iam-git/WellMet

You are allowed to anonymously push to this repository.
This means that your pushed commits will automatically be transformed into a merge request:
... clone the repository ...
... make some changes and some commits ...
git push origin main