我目前正在大学里工作，我正在用Python编程 F item V olume M 的方法来解决传热问题。
我需要从矩阵中导入一些数据，其中包含材料特征的值。当我使用常量特性时，即使没有错误的回答，它也可以做得很酷，并且在迭代过程中收敛，而无需矩阵调用。现在我实现了矩阵，结果没有收敛。
我在代码中使用了一个迭代计数器，以防止它在问题中的单个时间步上运行超过1000次。在大多数时间步中，它收敛2或3次迭代，但对于某些时间步，则经历1000次迭代。
对于四个特征，我从矩阵切换为使用方程来生成值，并且它起作用了，但是对于第五个特征，我不能这样做，因为没有简单的方程，所以我真的必须从矩阵中获取它们
由于我正在使用的数据量很大（1GB），因此无法使用numpy.loadtxt()导入。因此，我以列表的形式将其导入，如下所示：
ctot = []
with open('c_TOT.dat', 'r') as f:
for line in f:
ctot.append([float(x) for x in line.split(' ')])
稍后，我在此行中调用数据：
cp[i] = ctot[int(100*Ts[i])][int(1000*Hres[i])]
问题
温度（Ts）和磁场（Hres）都不是整数，因此我将它们乘以10的幂以达到所需的精度（例如302.4123ºC）必须变为30241和0.93485T，934，我才能在30241行的第934列中获得该值，该值表示这些条件下的比热）。
我不确定为什么它没有收敛，以及为什么只在问题的中间出现了一些时间。我认为这不可能是精确的，因为它已经太精确了，但是我也没有找到测试它的方法。
如果有更好的方法可以导入或调用矩阵，那么最好知道一下，因为我认为这就是问题所在。
答案 0 :(得分：1)
在满足分歧条件之前，我恢复了最后3次迭代的结果。事实证明，对该问题的简化（获取值的下限，因此将302.4175ºC的密度视为302.41ºC的密度）确实导致了某些温度值转变的差异。在我恢复了结果的情况下，温度在23.41996ºC和23.42003ºC之间波动，因此，在变化最小的情况下，性能发生了重大变化。 原来没问题，但是物理简化毕竟是无效的。