203 lines
5.6 KiB
Python
203 lines
5.6 KiB
Python
# 주요 수정 사항
|
|
# 주석 철저히: 한글로 작성해도 괜찮아요
|
|
# 입력 1: 시간-침하 데이터, 시간-성토고 데이터 --> 파일로 부터 읽는 것
|
|
# 입력 2: 사용자가 단계 지정 ---> 간 단계별 처음과 끝 INDEX
|
|
|
|
|
|
# 라이브러리 import
|
|
import numpy as np
|
|
from scipy.optimize import least_squares
|
|
import matplotlib.pyplot as plt
|
|
from matplotlib import rcParams
|
|
import pandas as pd
|
|
|
|
# Functions
|
|
|
|
# generate a time-settlement curve for hyperbolic method
|
|
def generate_data_hyper(px, pt):
|
|
return pt / (px[0] * pt + px[1])
|
|
|
|
# error between regression and measurement
|
|
def fun_hyper_linear(px, pt, py):
|
|
return pt / (px[0] * pt + px[1]) - py
|
|
|
|
|
|
# 파일 읽기, 리스트 설정
|
|
|
|
# Read .csv file using pandas
|
|
data = pd.read_csv("1_SP-11.csv")
|
|
|
|
# Set arrays for time and settlement
|
|
time = data['Time'].to_numpy()
|
|
settle = data['Settle'].to_numpy()
|
|
surcharge = data['Surcharge'].to_numpy()
|
|
|
|
#
|
|
# 성토 단계 시작, 끝 인덱스 입력 / 전체 성토 단계 입력
|
|
# 예: 1단계: (0, 9), 2단계: (10, 37), 3단계: (38, 80)
|
|
# 예: 전체 성토 단계: 3
|
|
|
|
'''
|
|
1단계 성토고 침하 예측
|
|
'''
|
|
step_start_index = [0, 10, 38]
|
|
step_end_index = [9, 37, 80]
|
|
|
|
#
|
|
# 각 단계별 예측을 반복문으로 처리
|
|
#
|
|
|
|
# 반복문 예시
|
|
for i in range(0,3):
|
|
|
|
tm = time[step_start_index[i]:step_end_index[i]]
|
|
# 내용을 채우시오.
|
|
|
|
if i > 0:
|
|
# 두번째 단계부터는 침하량 보정
|
|
# 내용을 채우시오.
|
|
|
|
|
|
|
|
#1단계에 해당하는 실측 데이터 범위 지정
|
|
tm_1 = time[0:10]
|
|
ym_1 = settle[0:10]
|
|
|
|
# Set a list for the coefficient; here a and b
|
|
x0 = np.ones(2)
|
|
|
|
# declare a least square object
|
|
res_lsq_hyper_linear_1 = least_squares(fun_hyper_linear, x0, args=(tm_1, ym_1))
|
|
|
|
# Print the calculated coefficient
|
|
print(res_lsq_hyper_linear_1.x)
|
|
|
|
# Generate predicted settlement data
|
|
settle_hyper_linear_1 = generate_data_hyper(res_lsq_hyper_linear_1.x, time)
|
|
|
|
'''
|
|
2단계 성토고 침하 예측
|
|
'''
|
|
|
|
# 2단계 실측 침하량 (2단계~최종)
|
|
tm_2 = time[10:80]
|
|
ym_2 = settle[10:80]
|
|
# 2단계 실측 침하량 (2단계 구간만)
|
|
tm_22 = time[10:37]
|
|
ym_22 = settle[10:37]
|
|
# 1단계 예측 침하량 (2단계 구간만)
|
|
yp_2 = settle_hyper_linear_1[10:37]
|
|
# 1단계 예측 침하량 (2단계 ~ 최종)
|
|
yp_22 = settle_hyper_linear_1[10:80]
|
|
|
|
# 2단계 보정 침하량 산정
|
|
def fun_step_measured_correction(m, p):
|
|
return m - p
|
|
|
|
step2_measured_correction = fun_step_measured_correction(ym_22, yp_2)
|
|
|
|
# 2단계 t-ti 산정
|
|
def fun_step_time_correction(t, ti):
|
|
return t - ti
|
|
|
|
step2_time_correction = fun_step_time_correction(tm_2[0:69],tm_2[0])
|
|
|
|
# 2단계 보정 침하량에 대한 예측 침하량 산정
|
|
|
|
# declare a least square object
|
|
# step2_time_correction[0:27]는 회귀분석 적용할 2단계 범위만 추출한 것
|
|
res_lsq_hyper_linear_2 = least_squares(fun_hyper_linear, x0, args=(step2_time_correction[0:27], step2_measured_correction))
|
|
|
|
# Print the calculated coefficient
|
|
print(res_lsq_hyper_linear_2.x)
|
|
|
|
# Generate predicted settlement data
|
|
settle_hyper_linear_2 = generate_data_hyper(res_lsq_hyper_linear_2.x, step2_time_correction)
|
|
|
|
# 2단계 침하곡선 작성
|
|
def settlement_prediction_curve(m1, p1):
|
|
return m1 + p1
|
|
|
|
step2_prediction_curve = settlement_prediction_curve(settle_hyper_linear_2, yp_22)
|
|
|
|
# 2단계 보정 예측 침하량 산정
|
|
def fun_step_prediction_correction(m2, p2):
|
|
return p2 + (m2[0] - p2[0])
|
|
|
|
step2_prediction_correction = fun_step_prediction_correction(ym_2, step2_prediction_curve)
|
|
|
|
'''
|
|
3단계 성토고 침하 예측
|
|
'''
|
|
|
|
# 3단계 실측 침하량 (3단계~최종)
|
|
tm_3 = time[37:end]
|
|
ym_3 = settle[37:end]
|
|
|
|
# 2단계 예측 침하량 (3단계 구간만)
|
|
yp_3 = step2_prediction_correction[27:end]
|
|
|
|
# 3단계 보정 침하량 산정
|
|
step3_measured_correction = fun_step_measured_correction(ym_3, yp_3)
|
|
|
|
# 3단계 t-ti 산정
|
|
|
|
step3_time_correction = fun_step_time_correction(tm_3,tm_3[0])
|
|
|
|
# 3단계 보정 침하량에 대한 예측 침하량 산정
|
|
|
|
res_lsq_hyper_linear_3 = least_squares(fun_hyper_linear, x0, args=(step3_time_correction, step3_measured_correction))
|
|
|
|
print(res_lsq_hyper_linear_3.x)
|
|
|
|
settle_hyper_linear_3 = generate_data_hyper(res_lsq_hyper_linear_3.x, step3_time_correction)
|
|
|
|
# 3단계 침하곡선 작성
|
|
|
|
step3_prediction_curve = settlement_prediction_curve(settle_hyper_linear_3, yp_3)
|
|
|
|
# 3단계 보정 예측 침하량 산정
|
|
|
|
step3_prediction_correction = fun_step_prediction_correction(ym_3, step3_prediction_curve)
|
|
|
|
'''
|
|
나중에: 그래프 작성
|
|
'''
|
|
|
|
# Set parameters for plotting
|
|
rcParams['figure.figsize'] = (10, 10)
|
|
|
|
# Subplot
|
|
f, axes = plt.subplots(2,1)
|
|
plt.subplots_adjust(hspace = 0.1)
|
|
|
|
# draw surcharge data
|
|
axes[0].plot(time, surcharge, color='black', label='surcharge height')
|
|
|
|
axes[0].set_ylabel("Surcharge height (m)", fontsize = 17)
|
|
axes[0].set_xlim(left = 0)
|
|
|
|
# draw measured data
|
|
axes[1].scatter(time, -settle, s = 50, facecolors='white', edgecolors='black', label = 'measured data')
|
|
|
|
# draw predicted data
|
|
axes[1].plot(time, -settle_hyper_linear_1, linestyle='--', color='red', label='original Hyperbolic_1')
|
|
axes[1].plot(tm_2, -step2_prediction_correction, linestyle='--', color='blue', label='original Hyperbolic_2')
|
|
axes[1].plot(tm_3, -step3_prediction_correction, linestyle='--', color='green', label='original Hyperbolic_3')
|
|
|
|
# Set axes title
|
|
axes[1].set_xlabel("Time (day)", fontsize = 17)
|
|
axes[1].set_ylabel("Settlement (mm)", fontsize = 17)
|
|
|
|
# Set min values of x and y axes
|
|
axes[1].set_ylim(top = 0)
|
|
axes[1].set_ylim(bottom = -1.5 * settle.max())
|
|
axes[1].set_xlim(left = 0)
|
|
|
|
# Set legend
|
|
axes[1].legend(bbox_to_anchor = (0, 0, 1, 0), loc =4, ncol = 3, mode="expand",
|
|
borderaxespad = 0, frameon = False, fontsize = 12)
|
|
|
|
|
|
plt.savefig('1_SP_11_Rev.2.png', dpi=300)
|
|
plt.show() |