Vedo库¶
约 397 个字 111 行代码 2 张图片 预计阅读时间 3 分钟
Vedo是一个用于3D可视化和网格处理的Python库，与Pyvista类似。它们都基于VTK（Visualization Toolkit），提供强大的后处理渲染功能。本节将介绍如何在有限元后处理工作中利用Vedo库。
首先，先pip安装vedo：pip install vedo。
具体参数说明及案例可在官网：https://vedo.embl.es。
创建Mesh对象¶
以有限元网格信息为例，假设已经从Abaqus的inp文件中已经解析出节点单元信息，现在如何使用vedo库进行可视化：
from vedo import *
nodes = [
[0, 0, 0],
[1, 0, 0],
[1, 1, 0],
[0, 1, 0],
]
elements = [
[0, 1, 2],
[0, 2, 3],
]
# 创建mesh
mesh = Mesh([nodes, elements]).lc('orange').lw(1)
plt = Plotter()
plt.show(mesh, axes=1)
通过上面格式的转化，就可以创建vedo库的Mesh对象了，后续的所有操作都基于该对象。
用户也可通过导入vtk格式文件来创建对象：mesh = load("CRACK.vtk")。
云图绘制基础¶
场变量信息¶
使用已有的节点单元数据创建Mesh对象后，可以直接绘制出网格模型，场变量信息需要添加进Mesh对象中。
# 位移场 (每个节点的 [dx, dy, dz])
displacements = [
[0.1, 0.2, 0.2],
[0.0, 0.3, 0.0],
[-0.1, 0.2, 0.0],
[0.0, -0.1, 0.1],
]
Umag = mag(displacements)
# 添加标量数据到网格点
mesh.pointdata["Displacement Magnitude"] = displacements
导入vtk的方法创建Mesh对象时可以直接索引vtk文件中的节点场数据信息。
# vtk文件中位移场对应的label为Displacement
displacement = mesh.pointdata["Displacement"]
# U1
U1 = displacement[:,0]
查询Mesh信息¶
常用的查询方法总结如下：
# Print the points and faces of the mesh as numpy arrays
print('vertices:', mesh.vertices) # same as mesh.points or mesh.coordinates
print('faces :', mesh.cells)
print("Number of nodes:", mesh.npoints) # 或者.nvertices
print("Number of elements:", mesh.ncells)
print("Cell connectivity of elements:", mesh.cells)
print("Center of elements:", mesh.cell_centers)
print("Available point data:", mesh.pointdata.keys()) # 输出节点场数据label
print("Available cell data:", mesh.celldata.keys()) # 输出单元场数据label
模型风格¶
mesh.lw(1) # 线宽
mesh.c('purple5') # 单元面颜色
mesh.lc('b') # 线颜色
mesh.alpha(0.5) # 透明度
mesh.wireframe().c("yellow")# wireframe，并设置其线条颜色
plt.render_hidden_lines # 隐藏单元边界
cmap¶
vedo库支持的cmap种类：
说了这么久，先整个云图吧，直接案例教学。
from vedo import *
mesh = load("CRACK.vtk")
displacement = mesh.pointdata["U"]
U1 = displacement[:, 0]
mesh.cmap("coolwarm", U1, on="points")
show(mesh)
现在来看一下cmap函数的用法，基本用法注释中已标明。
def cmap(
self,
input_cmap, # cmap name
input_array=None, # 场变量
on='', # (str) either 'points' or 'cells' or blank (automatic). Apply the color map to data which is defined on either points or cells
n_colors=256, # (int) number of distinct colors to be used in colormap table.
alpha=1.0, # 透明度
)
自定义colorbar¶
（个人感觉：Pyvista更好用一些）
def ScalarBar(
obj,
title="", # (str) scalar bar title
pos=(), # (list) position coordinates of the bottom left corner. Can also be a pair of (x,y) values in the range [0,1] to indicate the position of the bottom-left and top-right corners.
size=(80, 400), # (float,float) size of the scalarbar in number of pixels (width, height)
font_size=14, # (float) size of font for title and numeric labels
title_yoffset=20, # (float) vertical space offset between title and color scalarbar
nlabels=None, # (int) number of numeric labels
c="k", # (list) color of the scalar bar text
horizontal=False, # (bool) lay the scalarbar horizontally
use_alpha=True, # (bool) render transparency in the color bar itself
label_format=":6.3g", # (str) c-style format string for numeric labels
)
绘图进阶¶
节点单元label¶
point_ids = mesh.labels('id', on="points").c('green')
cell_ids = mesh.labels('id', on="cells" ).c('black')
show(mesh, point_ids, cell_ids)
缩放因子¶
缩放的同时，节点坐标也在跟着缩放。
矢量箭头绘制¶
# 创建位移矢量箭头
arrows = Arrows(
np.array(nodes), # 起点
np.array(nodes) + np.array(displacements), # 终点
c="blue",
)
# 显示结果
show(mesh, arrows, axes=4)
Arrows(
start_pts, # 箭头的起点坐标列表，例如 `[[x1, y1, z1], [x2, y2, z2]]`。
end_pts, # 箭头的终点坐标列表。如果为 `None`，则箭头方向由 `start_pts` 和缩放因子 `s` 决定。
s=None, # 当 `end_pts=None` 时，指定箭头方向矢量的缩放因子。默认值为 1。
shaft_radius=None, # 箭头轴的半径。默认值为自动计算的值，约为箭头长度的 5%。
head_radius=None, # 箭头头部的半径。默认值为自动计算的值，约为轴半径的两倍。
head_length=None, # 箭头头部的长度。默认值为自动计算的值，约为箭头长度的 15%。
thickness=1.0, # 箭头的厚度比率（非圆柱形箭头）。
res=6, # 箭头的分辨率，控制轴和头部的多边形细节，默认值为 6。
c='k3', # 箭头的颜色，支持单一颜色或每个箭头不同颜色（与cmap颜色一致：c = "coolwarm"）。
alpha=1.0 # 箭头的透明度，取值范围为 `[0, 1]`。
)