Wie könnte ich scipy Bibliothek verwenden, um die Entfernung zu erhalten?

Question

Ich habe gerade angefangen, Python zu lernen, und mein Lehrer bittet mich, die Flugbahn der Modellrakete zu simulieren, die den Schub des Motors kennt.

Ich habe bereits die Geschwindigkeit und die Beschleunigung der Rakete mit Odeint-Funktion. Allerdings weiß ich nicht, wie man die Geschwindigkeit und die Zeit benutzt.

Ich muss schon die Entfernung berechnen, die die Rakete zurückgelegt hat, da die Geschwindigkeit durch die Odeint-Funktion gelöst wird.

hier ist der Code, den ich schrieb, die Geschwindigkeit zu bekommen:

def getforce(t): 
    if 0<=t<0.15: 
     F = 40*t 
    elif 0.15<=t<0.7: 
     F = -9.09*t+7.36 
    elif 0.7<=t<1.25: 
     F = 1 
    elif 1.25<=t<1.65: 
     F = 7.5*t-8.375 
    elif 1.65<=t<1.8:   
     F = -26.6*t+48 
    else: 
     F = 0 
    return F 

def getspeed(x,t): 
    Ft = getforce(t) 
    y0,y1 = x 
    dy0 = y1 
    dy1 = (Ft-0.0001277422*y1**2*np.sign(y1)-0.174)/0.0177 
    return dy0,dy1 

t = np.linspace(0,10,100) 
sol = si.odeint(getspeed,(0,0),t) 
plt.plot(t,sol[:,0]) 
plt.show() 

Answer 1

Unter der Annahme, dass alles andere richtig ist, integrieren Sie nur die Geschwindigkeit von Hand.

(Der Grund, warum ich die allgemeine Korrektheit nicht leicht überprüfen kann, ist, dass Sie einen unorthodoxen (gegebenen) Ausdruck in der Geschwindigkeit verwenden, anstatt die gestörte Gleichung zu lösen, die den Massenverlust F = ma -> enthält d (m * v)/dt = dm/dt * v + m * dv/dt.)

import numpy as np 
import matplotlib.pyplot as plt 
import scipy.integrate as si 
%matplotlib inline 

def getforce(t): 
    if 0<=t<0.15: 
     F = 40*t 
    elif 0.15<=t<0.7: 
     F = -9.09*t+7.36 
    elif 0.7<=t<1.25: 
     F = 1 
    elif 1.25<=t<1.65: 
     F = 7.5*t-8.375 
    elif 1.65<=t<1.8:   
     F = -26.6*t+48 
    else: 
     F = 0 
    return F 

def getspeed(x,t): 
    Ft = getforce(t) 
    y0,y1 = x 
    dy0 = y1 
    dy1 = (Ft-0.0001277422*y1**2*np.sign(y1)-0.174)/0.0177 
    return dy0,dy1 

t = np.linspace(0,10,100) 
sol = si.odeint(getspeed,(0,0),t) 
v=sol[:,0] 

x=0 
xs=[] 
dt=t[1]-t[0] # use linspace with 101 to get the sample distance you'd normally expect 
for i in range(len(v)): 
    x=x+v[i]*dt 
    xs.append(x) 
plt.subplot(121) 
plt.plot(t,v) 
plt.subplot(122) 
plt.plot(t,xs) 
plt.show() 

ich nicht verwenden numpy oder Lambda-Ausdrücke zu integrieren, damit es leicht lesbar und weil die Ausführungsgeschwindigkeit für diesen Fall unerheblich ist.