OpenFOAM与libtorch的数据对应

[李东岳]

因为OpenFOAM的编号类似一个数组，是类似下图这种编号。在这种情况下，比如上边界对应的网格编号就是4 9 14 19 20这种。规律是有，这我知道，但是明显就麻烦好多。

libtorch下面因为主要处理图像识别，那面是按照二维数组来存储。比如下图就是长5宽5的数组。OpenFOAM编号4 9 14 19 20的网格单元，在libtorch里面就简单很多：00 01 02 03 04。

现在打算把OpenFOAM数据输入到libtorch里面。这个一一对应关系花了我好长时间来搞。比如对于上边界：

4  -> 00
9  -> 01
14  -> 02
19  -> 03
20 -> 04

看起来吧，也能写，就是挺麻烦 有点像是硬植入。我在用PINN算顶盖驱动流的时候，把libtorch的数据转换成OpenFOAM的时候，处理的就挺麻烦。

不知道其他人有没有什么更简单的方法

[bestucan]

假设libtorch的数组为 lib[i][j]，OpenFOAM的数组为op[25]

那么，按照libtorch的位置坐标i,j，OpenFOAM对应位置的坐标表达式为

op[4-i+j*5]

测试两个边界

(i,j) | 对应坐标下OpenFOAM的索引
      |
(0,0) | op[4]
(0,1) | op[9]
(0,2) | op[14]
(0,3) | op[19]
(0,4) | op[24]
      |
(0,0) | op[4]
(1,0) | op[3]
(2,0) | op[2]
(3,0) | op[1]
(4,0) | op[0]

如果想要重新排序二维数组

for (i=0; i<5; i++) {
    for (j=0; j<5; j++) {
        new[i][j] = op[4-i+j*5];
    }
}

[李东岳]

我之前就是这么搞的。我想换一种方法。有点像是一个普适性的接口。目前想的还比较迷糊：

1. libtorch矩阵那面不存在网格位置信息。定义一个新的class，其包含libtorch那面的矩阵，同时包含网格位置信息

2. 把libtorch的矩阵每个附加位置信息，比如A[0][0]有个位置信息是(2,3,0)

3. 寻找A[0][0]距离openfoam最近的网格，有可能找出来就是mesh()[34]

4. 然后建立一个map，建立libtorch矩阵与openfoam网格单元的互相对应的表，以后查表调用

但感觉也挺麻烦。

[bestucan]

OpenFOAM的网格就是这么存的。每个网格都有一个id，然后分别有文件记录：对于每一个id的网格，该网格的相邻网格的id、属于该网格的面id，等等。

不过这个复杂度高些，是为非结构网格准备的。如果是结构化的，应该更简洁些。

[李东岳]

感觉继续搞深了，一套基于openfoam+libtorch的软件的底层就出来了，起码是数据接口方面

[李东岳]

libtorchTensor[i][j] = U[pixel - 1 - i + j*pixel].x() << endl;

大佬写的这个确实比我写的简单。屌。网格是这种Pixel*Pixel的正方形这种赋值可以。

---

我刚试了一下，如果是140*140的网格，总共19600个单元。pixel - 1 - i + j*pixel最大编号干到140-1 - 139 + 139*140是19460？

[bestucan]

@李东岳 在 OpenFOAM与libtorch的数据对应 中说：

我刚试了一下，如果是140140的网格，总共19600个单元。pixel - 1 - i + jpixel最大编号干到140-1 - 139 + 139*140是19460？

由李老师的第一贴里的图片可知OpenFOAM方格里，最大索引数字是24，在右上角。

右上角在libtorch里的坐标是(0, pixel)

所以应该是

pixel - 1 - i + j*pixel = 140-1-0+139*140=19599

这个公式不只是二维数组切换成一维数组（二维数组写成一维很简单，乘以行长加一起就行了）

这个公式还完成了一个“旋转”。旋转的是“递增索引”的方向。OpenFOAM是竖着从下往上。libtorch是横着从左往右。所以有点绕。

pixel = 5就是我写的公式了，我和大佬想一起了，真是英雄所见略同(｡・`ω´･)

[李东岳]

屌！！

[李东岳]

之前我还是思维定势了，比如5$\times$5的网格，我把libtorch那面的网格处理成{5,5}的，就有对应这个问题。目前有一个更好的方式，把libtorch那面的网格处理成{25,1,2}的tensor，会简单很多。