Ziele für die Woche aufgeschrieben

2b7eca30 · Steinmann · 17ef29b6 · 2b7eca30
Commit 2b7eca30 authored 7 months ago by Steinmann
--- a/Kennlinien_und_Fitting.ipynb
+++ b/Kennlinien_und_Fitting.ipynb
@@ -240,9 +240,16 @@
    "```python\n",
    "X =  numpy.array([df.loc[:,'Q']**3, df.loc[:,'Q']**2 * df.loc[:,'n']...)\n",
    "```\n",
+    "anmelden Thesis\n",
    "\n",
    "Ziel einen Fit mit n als zweite Variable\n",
-    "multiple linear REgression"
+    "multiple linear REgression\n",
+    "\n",
+    "Ziel2 den FST custom stil zum plotten des Kennfelds einbinden\n",
+    "\n",
+    "Ziel3 eine Präsi erstellen anhand des Leitfadens im studierende Starterpaket\n",
+    "\n",
+    "schritt 4 Profit "
   ]
  },
  {

 %% Cell type:markdown id: tags:

 Pumpenkennlinien importieren und auf Pumpengleichung Fitten

 aus Webplotdigitizer .csv datei eines Plots extrahieren

 mit pandas read_csv importieren
 -> rechenspaß
 ->Profit!!!


 Q^2 -> Q_sq quit
 Multiple Linear Regression with Intercept

 Q^3, Q^2

 pandas -> read_csv


 %% Cell type:code id: tags:

 ``` python
 %pip install pandas
 %pip install numpy
 %pip install matplotlib
 %pip install scikit-learn
 ```

 %% Cell type:markdown id: tags:

 Zusammenhänge der Pumpe:

 $\Delta p=\alpha_1\cdot Q^2+\alpha_2\cdot Q\cdot n_{est}+\alpha_3\cdot n_{est}^2$

 $l_{est}=\frac{\Delta p}{Q^2}$

 Leistungsgleichung:

 $P_{est}=\beta_1\cdot Q^3+\beta_2 Q^2\cdot n_{est}+\beta_3\cdot Qn_{est}^2+\beta_4n^3+\beta_5$

 %% Cell type:code id: tags:

 ``` python
 #Implementierung des .csv zu DataFrame converters
 import pandas as pd

 def csv_einlesen(y_Achse,drehzahl):
    with open('{0}-Q_kennlinie_n_{1}.csv'.format(y_Achse,drehzahl)) as kennlinie:
        dataframe = pd.read_csv(kennlinie, delimiter=';')
        dataframe.loc[-1] = dataframe.columns
        dataframe.index = dataframe.index +1
        dataframe= dataframe.sort_index()
        sorted_set = dataframe.set_axis(['Q','H'],axis='columns')
        #im Datensatz alle ',' durch '.' ersetzen und die String werte als Float Werte casten
        for x in sorted_set.index:
            for y in sorted_set.columns:
                sorted_set.loc[x,[y]] = sorted_set.loc[x,[y]].str.replace(',','.')
                sorted_set.loc[x,[y]] = sorted_set.loc[x,[y]].astype(float)

        #berechnen der Spalte Q^2, Q^3 n_relativ, n^2, n^3, Q*n, Q^2*n,Q*n^2
        sorted_set['Q^2'] = sorted_set['Q'] **2
        sorted_set['Q^3'] = sorted_set['Q'] **3
        sorted_set['n_rel'] = drehzahl/3600
        sorted_set['n^2'] = (sorted_set['n_rel']*3600)**2
        sorted_set['n^3'] = (sorted_set['n_rel']*3600)**3
        sorted_set['Qn'] = (sorted_set['n_rel']*3600)*sorted_set['Q']
        sorted_set['Q^2n'] = sorted_set['Q^2']*3600*sorted_set['n_rel']
        sorted_set['Qn^2'] = sorted_set['Q']*sorted_set['n^2']

    return sorted_set
 ```

 %% Cell type:code id: tags:

 ``` python
 def combine_csvs():
    for i in os.listdir(:*.csv):

        pd.read_csv(i)

 ```

 %% Cell type:code id: tags:

 ``` python
 print(csv_einlesen('h',750))
 ```

 %% Output

         Q         h   Q^2     Q^3     n_rel       n^2          n^3      Qn  \
    0  0.0  0.363392   0.0     0.0  0.208333  562500.0  421875000.0     0.0
    1  0.5  0.398001  0.25   0.125  0.208333  562500.0  421875000.0   375.0
    2  1.0  0.397639   1.0     1.0  0.208333  562500.0  421875000.0   750.0
    3  1.5  0.328851  2.25   3.375  0.208333  562500.0  421875000.0  1125.0
    4  2.0   0.27687   4.0     8.0  0.208333  562500.0  421875000.0  1500.0
    5  2.5  0.207313  6.25  15.625  0.208333  562500.0  421875000.0  1875.0
    
         Q^2n       Qn^2
    0     0.0        0.0
    1   187.5   281250.0
    2   750.0   562500.0
    3  1687.5   843750.0
    4  3000.0  1125000.0
    5  4687.5  1406250.0

 %% Cell type:markdown id: tags:

 Fitting aus den Kurven mit sklearn

 %% Cell type:code id: tags:

 ``` python
 import pandas as pd
 import numpy as np
 from matplotlib import pyplot as plt
 from sklearn.linear_model import LinearRegression

 results = pd.DataFrame()
 drehz = [750,1150,1500,1850,2200,2550,2900,3250,3600]
 results['n'] = drehz
 fig, (ax1,ax2) = plt.subplots(2,1,sharex=True,gridspec_kw={'hspace':0})
 ax1.set_xticks(np.linspace(0,10,11))
 ax1.set_xticks(np.linspace(0,10,21),minor=True)
 for x,x2 in zip(ax1.get_xgridlines() , ax2.get_xgridlines()):
    x.set_visible(True)
    x2.set_visible(True)
 for y,y2 in zip(ax1.get_ygridlines(),ax2.get_ygridlines()):
    y.set_visible(True)
    y2.set_visible(True)
 ax1.set_title('Förderhöhe Kennlinie',loc='center')
 ax1.set_ylabel('$H$ in m')
 ax2.set_title('Leistungskennlinien',loc='center',y=-0.25)
 ax2.set_ylabel('$P$ in kW')

 for n in results.index:
    df = csv_einlesen('h',drehz[n])
    X = df.loc[:,['Q^2','Qn','n^2']].to_numpy(float)
    y = df['h'].to_numpy(float)
    results['Q-h_fit'] = LinearRegression(fit_intercept=False).fit(X,y)
    #plotten der Punkte und des Graphen
    ax1.plot(df['Q'].to_numpy(),results['Q-h_fit'].get(n).predict(X))
    ax1.errorbar(df['Q'].to_numpy(),results['Q-h_fit'].get(n).predict(X),fmt='b+')

    #regression aus den Werten für Q und P
    df2 = csv_einlesen('P',drehz[n])
    X2 = df2.loc[:,['Q^3','Q^2n','Qn^2','n^3']].to_numpy(float)
    y2= df2['h'].to_numpy(float)
    results['Q-P_fit'] = LinearRegression().fit(X2,y2)
    #plotten der Punkte und der gefundnen Funktion mit
    ax2.errorbar(df2['Q'].to_numpy(),results['Q-P_fit'].get(n).predict(X2),fmt='b+')
    ax2.plot(df2['Q'].to_numpy(),results['Q-P_fit'].get(n).predict(X2))
    print(results['Q-h_fit'].get(n).coef_)
    print(f'R^2: {results['Q-h_fit'].get(n).score(X,y)}')
    #print(results['Q-P_fit'].get(n).coef_)

 ```

 %% Output

    [-4.32633175e-02  5.19623567e-05  6.74554837e-07]
    R^2: 0.9993376472269206
    [-4.42742552e-02  6.27325491e-05  6.53871635e-07]
    R^2: 0.9996437866771651
    [-4.55181410e-02  7.07998272e-05  6.44464225e-07]
    R^2: 0.9996824413373676
    [-4.33713318e-02  6.34156384e-05  6.49436305e-07]
    R^2: 0.999760791662233
    [-4.48621316e-02  6.80680926e-05  6.46997640e-07]
    R^2: 0.9995310406285615
    [-4.56090785e-02  7.25278520e-05  6.45662549e-07]
    R^2: 0.999203487869221
    [-5.30102486e-02  8.44703682e-05  6.42551789e-07]
    R^2: 0.989680503933434
    [-8.31083199e-02  9.65000207e-05  6.45338184e-07]
    R^2: 0.9616275516077175
    [7.00655817e-09 5.04472189e-05 6.48443112e-07]
    R^2: 1.0



 %% Cell type:markdown id: tags:

 df =
 Q | n | P | H
 -------- | -------- | -------- | --
 0   | 0.35  | 10 | 2
 0.5   | 0.35 | 15  | 1.8
 1   | 0.35   |20| 1.5
 0   | 0.5  | 15 | 2
 0.5   | 0.5  | 20 | 1.8
 1   | 0.5 | 25 | 1.5



 ```python
 X =  numpy.array([df.loc[:,'Q']**3, df.loc[:,'Q']**2 * df.loc[:,'n']...)
 ```
+anmelden Thesis

 Ziel einen Fit mit n als zweite Variable
 multiple linear REgression

+Ziel2 den FST custom stil zum plotten des Kennfelds einbinden
+
+Ziel3 eine Präsi erstellen anhand des Leitfadens im studierende Starterpaket
+
+schritt 4 Profit
+
 %% Cell type:code id: tags:

 ``` python
 results['Q-h_fit']
 ```

 %% Output

    0    LinearRegression(fit_intercept=False)
    1    LinearRegression(fit_intercept=False)
    2    LinearRegression(fit_intercept=False)
    3    LinearRegression(fit_intercept=False)
    4    LinearRegression(fit_intercept=False)
    5    LinearRegression(fit_intercept=False)
    6    LinearRegression(fit_intercept=False)
    7    LinearRegression(fit_intercept=False)
    8    LinearRegression(fit_intercept=False)
    Name: Q-h_fit, dtype: object