Analyse d'impédance (EIS) avec python [impedance.py]

Aperçu

Présentation de la bibliothèque ** impedance.py ** qui peut analyser l'impédance (impédance électrochimique) avec python. Ajustez le graphique de Nyquist mesuré au modèle de circuit équivalent construit et obtenez les paramètres. Pas besoin de logiciel payant, vous pouvez donc l'utiliser facilement. En gros, je vais vous expliquer selon le Tutoriel officiel d'impedance.py, et je le compléterai à certains endroits, donc je veux beaucoup lire l'anglais. Pour ceux qui ne le font pas. Pour ceux qui n'ont pas besoin d'explications, le code est rassemblé en bas.

Tâche

Je souhaite analyser l'impédance en utilisant uniquement des outils open source

L'analyse d'impédance électrochimique nécessite un logiciel d'analyse qui accompagne l'appareil de mesure, mais il est difficile d'analyser à chaque fois avec un PC de mesure. .. .. Cependant, la plupart des logiciels sont payants et, en raison de la licence, ils ne peuvent pas être installés sur votre propre PC. .. ..

Que faire dans cet article, que ne pas faire

Gérer

À propos d'impedance.py

Ne pas manipuler

Comment démarrer avec python Veuillez vérifier "Comment utiliser python"

Environnement dépendant

À partir du 22/07/2020

• Python (>=3.7)
• SciPy (>=1.0)
• NumPy (>=1.14)
• Matplotlib (>=3.0)
• Altair (>=3.0) Vérifiez la dépendance ici pour les dernières informations → ** impedance.py **

(1) Installation

Puisqu'il est enregistré dans PyPI, installez-le avec pip install impedance

(2) Importer des données [prétraitement]

Pour les données de mesure, vous pouvez généralement lire_csv csv et le traiter comme pandas.Dataframe, mais comme il existe quelque chose appelé pré-traitement, je vais l'utiliser. Étant donné que les exemples de données sont préparés à partir du site officiel, téléchargez example.csv dans la colonne Étape 2 à partir de ** ici **

python

from impedance import preprocessing

frequencies, Z = preprocessing.readCSV('./exampleData.csv')
#type(frequencies): <class 'numpy.ndarray'>
#type(frequencies[0]): <class 'numpy.float64'>
#type(Z): <class 'numpy.ndarray'>
#type(Z[0]): <class 'numpy.complex128'>

Le contenu de exampleData.csv ressemble à ceci La colonne A est la fréquence, la colonne B est la partie réelle de Z, la colonne C est la partie imaginaire de Z, et même si vous regardez le code source de preprocessing.readCSV, vous définissez simplement la colonne A sur les fractions et la colonne BC sur le type complexe Z et renvoyé. C'était juste.

En fait, un prétraitement pratique! !!

Si vous pensez que c'est une fonction inutile, il y a en fait des fonctions que vous pouvez utiliser! preprocessing prend également en charge les extensions spécifiques au logiciel de l'appareil (** important ici **), et semble prendre en charge les logiciels et extensions suivants.

En regardant le code source, je suis très content car il traite les données à l'aide d'expressions régulières, etc.: clap: (je l'ai bien utilisé avec le fichier .mpt) L'utilisation est la suivante

python

from impedance import preprocessing

frequencies, Z = preprocessing.readFile('Chemin d'accès au fichier', instrument='Nom souple')
frequencies, Z = preprocessing.ignoreBelowX(frequencies, Z)

Vous pouvez spécifier le format de fichier en transmettant le nom du logiciel dans le tableau ci-dessus à l'option d'instrument.

Autre que ça ・ Découpez le premier quadrant preprocessing.ignoreBelowX (freq, Z) -Couper les données par fréquence preprocessing.cropFrequencies (freq, Z, freqmin = 0, freqmax = None) Est préparé

(3) Création d'un circuit équivalent

Cette fois, nous allons créer le modèle de circuit équivalent suivant à titre d'exemple.

python

from impedance.models.circuits import CustomCircuit

circuit = 'R0-p(R1,C1)-p(R2-Wo1,C2)'
initial_guess = [.01, .01, 100, .01, .05, 100, 1]

circuit = CustomCircuit(circuit, initial_guess=initial_guess)

Un circuit équivalent peut être créé en exprimant des séries avec «-» et en parallèle avec «p (,)» et en le passant sous forme de chaîne de caractères à la classe «CustomCircuit». À ce stade, les paramètres initiaux doivent être passés sous forme de type liste à l'option ʻinitial_guess. Les éléments de circuit qui peuvent être exprimés sont résumés dans [** ici **](https://impedancepy.readthedocs.io/en/latest/circuit-elements.html). J'ai utilisé CustomCircuit cette fois, mais si vous regardez le code source, Randles` est également préparé par défaut.

(4) Montage

python

circuit.fit(frequencies, Z)

params = circuit.parameters_
#[1.65187261e-02 8.67655045e-03 3.32142565e+00 5.38996281e-03
# 6.30927436e-02 2.32520436e+02 2.19541831e-01]

covs = circuit.conf_
#[1.54227642e-04 1.91273738e-04 1.89536697e-01 2.05799010e-04
# 1.93973976e-03 1.62269546e+01 1.75432523e-02]

Effectuez le montage avec circuit.fit. Il semble que «scipy.optimize.curve_fit» soit utilisé comme algorithme d'ajustement. Après ajustement, les paramètres après ajustement et la variance des paramètres dans circuit.parameters_ et circuit.conf_ respectivement (les composantes diagonales de la matrice de covariance renvoyées par scipy.optimize.curve_fit sont extraites). Peut être reçu.

(5) Visualisation des résultats

python

import matplotlib.pyplot as plt
from impedance.visualization import plot_nyquist

Z_fit = circuit.predict(frequencies)

fig, ax = plt.subplots()
plot_nyquist(ax, Z, fmt='o')
plot_nyquist(ax, Z_fit, fmt='-')

plt.legend(['Data', 'Fit'])
plt.show()

Obtenez le résultat de la simulation calculé à partir des paramètres équipés de circuit.predict (fréquences). La visualisation fournit une «visualisation» basée sur matplotlib et altair, et les tracés nyquist sont affichés avec «plot_nyquist». Il écrit également poliment l'étiquette de l'axe. En plus de cela, visualisation a divers éléments tels que plot_bode (bode plot). (Prévu pour être ajouté)

code

python

from matplotlib import pyplot as plt

from impedance import preprocessing
from impedance.models.circuits import CustomCircuit
from impedance.visualization import plot_nyquist


def main():
    frequencies, Z = preprocessing.readCSV('./exampleData.csv')
    frequencies, Z = preprocessing.ignoreBelowX(frequencies, Z)

    circuit = 'R0-p(R1,C1)-p(R2-Wo1,C2)'
    initial_guess = [.01, .01, 100, .01, .05, 100, 1]

    circuit = CustomCircuit(circuit, initial_guess=initial_guess)
    circuit.fit(frequencies, Z)
    print(circuit.parameters_)
    print(circuit.conf_)
    Z_fit = circuit.predict(frequencies)

    fig, ax = plt.subplots()
    plot_nyquist(ax, Z, fmt='o')
    plot_nyquist(ax, Z_fit, fmt='-')

    plt.legend(['Data', 'Fit'])
    plt.show()


if __name__ == '__main__':
    main()