-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtest.cpp
246 lines (211 loc) · 8.48 KB
/
test.cpp
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
#include "Plugin.h"
#include "mfem.hpp"
#include <Fastor/Fastor.h>
#include <fstream>
#include <iostream>
// #include <taco.h>
#include <unsupported/Eigen/KroneckerProduct>
using namespace std;
using namespace Eigen;
using namespace mfem;
using short_t = short;
// Indices of the Voigt notation
inline short_t voigt( short_t dim, short_t I, short_t J )
{
if ( dim == 2 )
switch ( I )
{
case 0:
return J == 0 ? 0 : 0;
case 1:
return J == 0 ? 1 : 1;
case 2:
return J == 0 ? 0 : 1;
}
else if ( dim == 3 )
switch ( I )
{
case 0:
return J == 0 ? 0 : 0;
case 1:
return J == 0 ? 1 : 1;
case 2:
return J == 0 ? 2 : 2;
case 3:
return J == 0 ? 0 : 1;
case 4:
return J == 0 ? 1 : 2;
case 5:
return J == 0 ? 0 : 2;
}
return -1;
}
inline void voigtStress( VectorXd& Svec, const MatrixXd& S )
{
short_t dim = S.cols();
short_t dimTensor = dim * ( dim + 1 ) / 2;
Svec.resize( dimTensor );
for ( short i = 0; i < dimTensor; ++i )
Svec( i ) = S( voigt( dim, i, 0 ), voigt( dim, i, 1 ) );
}
inline void setB( MatrixXd& B, const MatrixXd& F, const VectorXd& bGrad )
{
short_t dim = F.cols();
short_t dimTensor = dim * ( dim + 1 ) / 2;
B.resize( dimTensor, dim );
for ( short_t j = 0; j < dim; ++j )
{
for ( short_t i = 0; i < dim; ++i )
B( i, j ) = F( j, i ) * bGrad( i );
if ( dim == 2 )
B( 2, j ) = F( j, 0 ) * bGrad( 1 ) + F( j, 1 ) * bGrad( 0 );
if ( dim == 3 )
for ( short_t i = 0; i < dim; ++i )
{
short_t k = ( i + 1 ) % dim;
B( i + dim, j ) = F( j, i ) * bGrad( k ) + F( j, k ) * bGrad( i );
}
}
}
int main()
{
// mfem::DenseMatrix dm;
// dm.SetSize( 5 );
// dm = 1.0;
// dm( 1, 3 ) = 2.;
// dm.Print( cout, 10 );
// auto ptr = dm.Data();
// Map<Eigen::Matrix<double, 5, 5>> elmat( ptr );
// elmat += MatrixXd::Random( 5, 5 );
// dm.Print( cout, 10 );
// MatrixXd test = MatrixXd::Random( 3, 3 );
// MatrixXd test2 = Eigen::kroneckerProduct( test, MatrixXd::Identity( 3, 3 ) );
// cout << test2 << endl << endl;
// MatrixXd test3 = Eigen::kroneckerProduct( MatrixXd::Identity( 3, 3 ), test );
// cout << test3 << endl;
// Matrix3d F{ { 1, 2, 3 }, { 4, 5, 6 }, { 7, 8, 9 } };
// MatrixXd B;
// Vector3d grad{ { 4, 6, 7 } };
// setB( B, F, grad );
// cout << B << endl;
// int dim = 3, dof = 1;
// MatrixXd B2( 6, dof * dim );
// for ( int i = 0; i < dof; i++ )
// {
// B2( 0, i + 0 * dof ) = grad( 0 ) * F( 0, 0 );
// B2( 0, i + 1 * dof ) = grad( 0 ) * F( 1, 0 );
// B2( 0, i + 2 * dof ) = grad( 0 ) * F( 2, 0 );
// B2( 1, i + 0 * dof ) = grad( 1 ) * F( 0, 1 );
// B2( 1, i + 1 * dof ) = grad( 1 ) * F( 1, 1 );
// B2( 1, i + 2 * dof ) = grad( 1 ) * F( 2, 1 );
// B2( 2, i + 0 * dof ) = grad( 2 ) * F( 0, 2 );
// B2( 2, i + 1 * dof ) = grad( 2 ) * F( 1, 2 );
// B2( 2, i + 2 * dof ) = grad( 2 ) * F( 2, 2 );
// B2( 3, i + 0 * dof ) = grad( 1 ) * F( 0, 0 ) + grad( 0 ) * F( 0, 1 );
// B2( 3, i + 1 * dof ) = grad( 1 ) * F( 1, 0 ) + grad( 0 ) * F( 1, 1 );
// B2( 3, i + 2 * dof ) = grad( 1 ) * F( 2, 0 ) + grad( 0 ) * F( 2, 1 );
// B2( 5, i + 0 * dof ) = grad( 0 ) * F( 0, 2 ) + grad( 2 ) * F( 0, 0 );
// B2( 5, i + 1 * dof ) = grad( 0 ) * F( 1, 2 ) + grad( 2 ) * F( 1, 0 );
// B2( 5, i + 2 * dof ) = grad( 0 ) * F( 2, 2 ) + grad( 2 ) * F( 2, 0 );
// B2( 4, i + 0 * dof ) = grad( 2 ) * F( 0, 1 ) + grad( 1 ) * F( 0, 2 );
// B2( 4, i + 1 * dof ) = grad( 2 ) * F( 1, 1 ) + grad( 1 ) * F( 1, 2 );
// B2( 4, i + 2 * dof ) = grad( 2 ) * F( 2, 1 ) + grad( 1 ) * F( 2, 2 );
// }
// Rotation2Dd r( EIGEN_PI / 2 );
// cout << r.toRotationMatrix() << endl;
// {
// // Create formats
// taco::Format sv4( { taco::Dense, taco::Dense, taco::Dense, taco::Dense } );
// taco::Format sv2( { taco::Sparse, taco::Sparse } );
// taco::Format sd2( { taco::Dense, taco::Dense } );
// // Create tensors
// taco::Tensor<double> I2( { 3, 3 }, sv2 );
// taco::Tensor<double> I4( { 3, 3, 3, 3 }, sv4 );
// taco::Tensor<double> C( { 3, 3, 3, 3 }, sv4 );
// // Insert data into B and c
// I2.insert( { 0, 0 }, 1. );
// I2.insert( { 1, 1 }, 1. );
// I2.insert( { 2, 2 }, 1. );
// // Pack inserted data as described by the formats
// I2.pack();
// Matrix3d rand = MatrixXd::Random( 3, 3 );
// taco::Array A2( taco::Float64, rand.data(), 9, taco::Array::UserOwns );
// std::cout << rand << std::endl;
// taco::Tensor<double> x( { 3, 3 }, { taco::Dense, taco::Dense } );
// // Array x_array = makeArray<double>( x_values, 10 );
// taco::TensorStorage x_storage = x.getStorage();
// x_storage.setValues( A2 );
// x.setStorage( x_storage );
// auto T = x.transpose( { 1, 0 } );
// // Lame
// const double lambda = 1;
// const double mu = 0;
// // Form a tensor-vector multiplication expression
// taco::IndexVar i, j, k, l;
// taco::IndexVar m, n, o, p;
// I4( i, j, k, l ) = .5 * ( I2( i, k ) * I2( j, l ) + I2( i, l ) * I2( j, k ) );
// C( i, j, k, l ) = lambda * I2( i, j ) * I2( k, l ) + 2 * mu * I4( i, j, k, l );
// C.evaluate();
// taco::Tensor<double> CT( { 3, 3, 3, 3 }, sv4 );
// CT( i, j, k, l ) = T( m, i ) * T( n, j ) * T( o, k ) * T( p, l ) * C( m, n, o, p );
// Matrix6d EigenC;
// for ( int i = 0; i < 6; i++ )
// {
// for ( int j = 0; j < 6; j++ )
// {
// EigenC( i, j ) = C.at( { (int)util::Voigt( i, 0 ), (int)util::Voigt( i, 1 ), (int)util::Voigt( j, 2 ),
// (int)util::Voigt( j, 3 ) } );
// }
// }
// Eigen::Matrix6d Trans = util::TransformationVoigtForm( rand );
// std::cout << Trans.transpose() * EigenC * Trans << std::endl << std::endl;
// Matrix6d EigenCTACO;
// for ( int i = 0; i < 6; i++ )
// {
// for ( int j = 0; j < 6; j++ )
// {
// EigenCTACO( i, j ) = CT.at( { (int)util::Voigt( i, 0 ), (int)util::Voigt( i, 1 ),
// (int)util::Voigt( j, 2 ), (int)util::Voigt( j, 3 ) } );
// }
// }
// // MFEM_VERIFY( 1 == 2, "fuck." );
// std::cout << EigenCTACO - Trans.transpose() * EigenC * Trans << std::endl;
// }
// {
// enum
// {
// i,
// j,
// k,
// l
// };
// // An example of Einstein summation
// Fastor::Tensor<double, 3, 3> I2;
// I2.eye();
// Fastor::Tensor<double, 3, 3, 3, 3> I4 =
// .5 * ( Fastor::permutation<Fastor::Index<i, k, j, l>>( Fastor::outer( I2, I2 ) ) +
// Fastor::permutation<Fastor::Index<i, l, j, k>>( Fastor::outer( I2, I2 ) ) );
// const double lambda = 1.;
// const double mu = .5;
// Fastor::Tensor<double, 3, 3, 3, 3> C = lambda * Fastor::outer( I2, I2 ) + 2 * mu * I4;
// Matrix6d EigenC;
// for ( int i = 0; i < 6; i++ )
// {
// for ( int j = 0; j < 6; j++ )
// {
// EigenC( i, j ) = C( (int)util::Voigt( i, 0 ), (int)util::Voigt( i, 1 ), (int)util::Voigt( j, 2 ),
// (int)util::Voigt( j, 3 ) );
// }
// }
// std::cout << EigenC << std::endl;
// Fastor::_voigt<double, 3, 3, 3, 3>( C.data(), EigenC.data() );
// std::cout << EigenC << std::endl;
// // std::cout << Fastor::permutation<Fastor::Index<i, k, j, l>>( Fastor::outer( I2, I2 ) ) << std::endl;
// // std::cout << Fastor::permutation<Fastor::Index<i, l, j, k>>( Fastor::outer( I2, I2 ) ) << std::endl;
// // std::cout << Fastor::permute<Fastor::Index<i, j, k, l>>(
// // Fastor::einsum<Fastor::Index<i, k>, Fastor::Index<j, l>>( I2, I2 ) +
// // Fastor::einsum<Fastor::Index<i, l>, Fastor::Index<j, k>>( I2, I2 ) )
// // << std::endl;
// }
return 0;
}