我正在使用行进立方体从体积中提取二维表面。在本例中是陀螺仪。
import numpy as np
from numpy import sin, cos, pi
from skimage import measure
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def gyroid(x, y, z, t):
return cos(x)*sin(y) + cos(y)*sin(z) + cos(z)*sin(x) - t
lattice_param = 1.0
strut_param = 0.0
resolution = 31j
x, y, z = pi*np.mgrid[-1:1:resolution, -1:1:resolution, -1:1:resolution] * lattice_param
vol = gyroid(x, y, z, strut_param)
verts, faces = measure.marching_cubes(vol, 0, spacing=(0.1, 0.1, 0.1)) # , normals, values
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_trisurf(verts[:, 0], verts[:, 1], faces, verts[:, 2], cmap='ocean', lw=1)
这一切都很好,但网格质量在很多地方都很糟糕。我无法在网格上运行任何 FEA,因为许多元素/面的面积接近零或高度扭曲。
有没有办法在给定顶点的情况下重新划分网格并确保特定的元素面/面指标(例如纵横比)或强制行进立方体做这样的事情?
只要网格是一个合理的近似值,我就不会为移动顶点而烦恼。
请您参考如下方法:
一种选择是使用表面网格化包“重新网格化”行进立方体输出。从本质上讲,这意味着行进立方体三角剖分将作为要重新三角剖分的初始表面定义。
有许多技术可以用来做到这一点。一些可能有用的选项(所有 C++/C 实现):
-
JIGSAW: restricted, frontal-delaunay 算法^^ 通常会构建非常高质量的表面 Delaunay 三角剖分。对于显示的对象类型,我希望它能很好地工作。在包含的演示(在MATLAB中提供)中,有几个示例解决了行进立方体输出的重新网格化问题。 -
CGAL: restricted,delaunay-refinement 方法也可以构建表面 Delaunay 三角剖分,但使用与JIGSAW略有不同的算法并且还包括CVT型网格优化方案。 -
MMG:一组重新网格化/优化策略(据我所知),可用于通过局部修改的迭代应用来转换(并因此改进)初始网格。
^^ 我是JIGSAW的作者,所以,这里基本上是无耻的宣传。
