Matlab vs Julia: Bahasa pemrograman terbaik untuk mensimulasikan energi terbarukan – Beragampengetahuan

Oleh: Big Lake Consulting

Re -Post dari:

Posting ini ditulis oleh Steven Whitaker.

Di GLCS, kami bangga telah menyediakan proyek -proyek kreatif di industri terkemuka, termasuk energi terbarukan, kedirgantaraan dan teknik biomedis. Layanan pemodelan dan simulasi komprehensif kami untuk meningkatkan desain mereka, meskipun model penulisan ulang pada para ahli Julia dan membuka kunci dinamika, termodinamika, kontrol, teknik bio -kimia dan kimia, kami adalah mitra tepercaya Anda dalam mendorong batas model dan mencapai hasil terobosan.

Dalam posting ini, kami akan fokus pada sistem pemodelan energi terbarukan.

Sistem energi terbarukan, dari ladang angin hingga energi melambaikan energi, membutuhkan pemodelan dan simulasi yang akurat. Pilihan alat perhitungan optimal sangat penting; Ini dapat mempercepat secara signifikan, mengurangi biaya dan mempromosikan transisi untuk masa depan yang berkelanjutan.

Matlab ^{Dan Julia banyak digunakan dalam teknik, terutama untuk menyelesaikan persamaan diferensial. Posting ini membandingkan cara setiap skenario model energi terbarukan Handlesa, Sumbu stabil yang membangkitkanDi balik turbin angin, akhirnya menunjukkan mengapa Julia memiliki keuntungan. Efisiensi dan efisiensi output dengan teknologi canggih dirancang untuk energi besok.}

Ketika udara mengalir melalui turbin angin, bangun membentuk aliran. Kurangnya kecepatan kebangkitan mempengaruhi jarak turbin, efisiensi dan output listrik.

Persamaan untuk sumbu simetri stabil sederhana adalah:

\[\frac{\partial U}{\partial x} = \nu_t \cdot \left( \frac{\partial^2 U}{\partial r^2} + \frac{1}{r} \frac{\partial U}{\partial r} \right)\]

Di mana:

• \ (U \) adalah kecepatan aksial.
• \ (x \) adalah jarak rendah.
• \ (R \) adalah koordinat penusuk.
• \ (\ Nu_t \) adalah viskositas kacau.

Ini adalah penurunan persamaan momentum, menangkap difusi momentum menjadi gangguan.

Lihat cara mengonversi matematika menjadi kode PDE ini.

• Matlab:

  function dUdx = wake_eq(x, U, p)    % Radial step size    dr = p.r(2) - p.r(1);    % First derivative (central difference)    dUdr = (U(3:end) - U(1:end-2)) / (2 * dr);    % Second derivative (central difference)    d2Udr2 = (U(3:end) - 2 * U(2:end-1) + U(1:end-2)) / dr^2;    dUdx = zeros(size(U));    dUdx(2:end-1) = p.nu_t * (d2Udr2 + dUdr ./ p.r(2:end-1));endU0 = initial_profile();xspan = [0 100];p.nu_t = 0.05;p.r = linspace(0, 1, numel(U0));prob = ode;prob.ODEFcn = @dUdx;prob.InitialTime = xspan(1);prob.InitialValue = U0;prob.Parameters = p;prob.Solver = "ode45";sol = solve(prob, xspan(1), xspan(2));

• Julia:

  using DifferentialEquations@kwdef mutable struct WakeParams{T}    _t::Float64    const r::Tendfunction wake_eq!(dU, U, p, x)        dr = p.r[2] - p.r[1]        dUdr = (U[3:end] .- U[1:end-2]) ./ (2 * dr)        d2Udr2 = (U[3:end] .- 2 .* U[2:end-1] .+ U[1:end-2]) ./ dr^2    dU[1] = dU[end] = 0    dU[2:end-1] .= p._t .* (d2Udr2 .+ dUdr ./ p.r[2:end-1])endU0 = initial_profile()xspan = (0.0, 100.0)p = WakeParams(; _t = 0.05, r = range(0.0, 1.0, length(U0)))prob = ODEProblem(wake_eq!, U0, xspan, p)solver = Tsit5()sol = solve(prob, solver)

(Perhatikan bahwa, pada kenyataannya, kondisi batas untuk \ (r = 0 \) dan \ (r = 1 \) perlu ditangani dengan lebih hati -hati.)

Seperti yang Anda lihat, sintaks untuk Julia dan Matlabis sangat mirip. Namun, ada beberapa perbedaan utama antara dua pendekatan:

• Siaran Julia (.=Kemudian .*dll) jelas dan cepat.
• Julia dapat menggunakan fungsi lokal untuk meminimalkan alokasi memori, meningkatkan kinerja.
• Kode Julia untuk motivasi di atas adalah Writtento yang terlihat lebih mirip dengan kode MATLAB. Namun, mengoptimalkan kinerja yang mudah -untuk -pensprit adalah possibleto mengurangi alokasi memori.
• Perbedaan Julia.jl mendukung banyak orang untuk berurusan dengan antarmuka terpadu. MATLAB hanya mendukung penyelesaian terbatas.

Sekarang mari kita tambahkan angin di \ (x = 50 \) akan mengubah \ (\ nu_t \) biarkan \ (x \ ge 50 \).

• Matlab:

  function v = events_func(x, U, p, gust_position)    % Event occurs when `x == gust_position`.    v = x - gust_position;endfunction [stop, U, p] = callbacks_func(x, U, ie, p)    stop = false;    % Check if the event occurred.    if ismember(1, ie)        p.nu_t = 0.08;    endendgust_position = 50;event = odeEvent;event.EventFcn = @(x, U, p) events_func(x, U, p, gust_position);event.Response = "callback";event.CallbackFcn = @callbacks_func;prob.EventDefinition = event;sol = solve(prob);

• Julia:

  function gust_affect!(integrator)    integrator.p._t = 0.08endgust_position = 50.0;callback = PresetTimeCallback([gust_position], gust_affect!)sol = solve(prob, solver; callback)

Ketika datang ke acara dan panggilan, pendekatan Julia lebih baik:

• Panggilan Julia lebih terorganisir; Peristiwa yang sesuai dan acara CallbackScan ditentukan di sebelah kode lain, alih -alih dipisahkan antara file yang khas dalam MATLAB.
• Banyak acara dapat dikombinasikan dengan bersih CallbackSetTidak perlu mencoba menjejalkan banyak acara yang harus Anda lakukan di Matlab.
• Julia menyaksikan acara aktif. Di Matlab, Anda harus memeriksa acara yang dipicu secara manual.
• Julia menawarkan banyak panggilan yang didefinisikan sebelumnya (di difeqcallbacks.jl) sering harus dilakukan secara manual di Matlab.

Selain perbedaan dalam pemecahan persamaan diferensial, ini adalah beberapa perbedaan utama lainnya antara Julia dan Matlab:

• Efisiensi:Kecepatan sintesis JIT dan metode Julia, kecepatan yang sama dengan C mirip dengan simulasi energi terbarukan skala yang lebih cepat dan laju yang lebih baik, terutama untuk pemindai parameter. Anda dapat melihat kode 50 kali lebih cepat 150 dengan Julia.
• Proses Kerja:Matlab menyediakan pemolesan dan konspirasi dari kotak. Namun, Julia memberikan kebebasan open source, dengan mudah diintegrasikan dengan python/c dan ekosistem yang makmur.
• Perizinan:Matlab membutuhkan lisensi berbayar; Julia benar -benar gratis dan open source.

Dalam posting ini, kami melihat bagaimana Julia dan Matlab membandingkan identifikasi dan penyelesaian kekacauan aksial simetris. Bahasa dapat memodelkan sistem energi terbarukan secara efektif. Namun, Julia menyediakan:

• Efisiensi: Kecepatan JIT untuk sistem besar.
• Fleksibel: Hubungi kuat dan terintegrasi terbuka.
• Nilai: Tidak ada biaya lisensi.
• Sintaks modern: Dirancang untuk produktivitas dan kejelasan.

Siap merevolusi simulasi energi terbarukan Anda? Transfer model Matlab Anda ke Juliaand untuk mengalami kecepatan, fleksibilitas, dan pemeliharaan jangka panjang. Mari kita keluar hari ini dan mempercepat inovasi energi hijau!

Khawatir tentang hambatan teknis dan biaya konversi dari Matlab ke Julia? Temukan cuting-edulia-matlab kami.

Matlab adalah merek terdaftar dari MathWorks, Inc.

]>>

Terkait