Python, Plone und Zope in der Luft- und Raumfahrtforschung

Python, Plone und Zope in der Luft- und Raumfahrtforschung 8. DZUG-Tagung (04.-05.06.2007, PIK, Potsdam) Andreas Schreiber < [email_address] > Deutsches Zentrum für Luft- und Raumfahrt e.V., Köln-Porz http://www.dlr.de/sc/verteiltesysteme

Das DLR

Deutsches Zentrum für Luft- und Raumfahrt Raumfahrt-Agentur der Bundesrepublik Deutschland

Zahlen zum DLR

DLR ist die größte deutsche Forschungseinrichtung

5.300 Mitarbeiter arbeiten in 28 Forschungsinstituten und Einrichtungen

 9 Standorten,

7 Außenstellen.

Kernkompetenzen des DLR liegt im Bereich Ingenieurwissenschaften

Mehr als 1000 DLR-Mitarbeiter entwickeln Software

 DLR ist eines der größten Softwarehäuser Deutschlands!

 Köln - Porz  Lampoldshausen  Stuttgart  Oberpfaffenhofen Braunschweig   Göttingen Berlin- -  Adlershof  Bonn Trauen   Hamburg  Neustrelitz Weilheim  Berlin- Charlottenburg   Sankt Augustin  Darmstadt Bremen 

Software-Entwicklungen in Luft- und Raumfahrt Klassifizierung

Software für missionskritische Systeme

Embedded Software und Real-Time-Software in Satelliten, Flugzeugen, Space Station, …

Software mit großen Userzahlen

Internet/Intranet/Email, Webshop für Satellitendaten

Software mit großem Anteil an der Wertschöpfungskette

Prozessunterstützung, Datenmanagement, Modellierungs- und Simulationsumgebungen, …

Software deren Effizienz sich unmittelbar auf die Betriebskosten auswirkt

Numerische Simulationscodes

Einsatzfelder von Python

Art der Software

Wissenschaftliche Software und Prototypen

Selten Einsatz in Produkten

Kein Einsatz in kritischen Systemen

Beispiele für Einsatzfelder von Python

Web-Anwendungen (  Plone, Zope)

Datenmanagement

Steuerung von (großen) Simulationen

Visualisierung

Skript-Schnittstellen für numerische Software

Test und Qualitätssicherung von wissenschaftlicher Software

Warum Python in der Luft- und Raumfahrt? Zielgruppe: Ingenieure, Physiker, Mathematiker

Beschreibung

Objektorientierte vollständige Programmiersprache

Klare, einfache Syntax

Portabel, verfügbar auf allen Plattformen mit C-Compiler

Warum ist Python geeignet für Ingenieure und industrielle Anwender?

Sehr einfach zu lernen und zu benutzen ( = steile Lernkurve )

Erlaubt eine schnelle Entwicklung ( = geringe Entwicklungszeit )

Inherent great maintainability

“ Python has the cleanest, most-scientist- or engineer friendly syntax and semantics.” (Paul F. Dubois. Ten good practices in scientific programming. Comp. In Sci. Eng., Jan/Feb 1999, pp.7-11)

Beispiele für Einsatz von Python, Plone und Zope Virtual Lab Steuerung großer Simulationen Projekt- Webseite

Virtual Lab Web-basiertes Repository für wissenschaftliche Codes

Portal zur Bereitstellung wissenschaftlicher Software

Einfache numerische Codes werden integriert („eingestellt“)

Nutzer können Eingabedateien hochladen und Rechnungen starten

Entwickelt vom DLR-Institut für Methodik der Fernerkundung

http://vl.nz.dlr.de/VL

Virtual Lab (2) Technologie

Datenbanken

Daten: ZODB

Metadaten: MySQL

User: OpenLDAP

Task-Management

OpenPBS

Web-Schnittstelle

ZOPE

Virtual Lab (3) Integration von Codes

Integration von Codes geschieht durch Spezifikation von Input und Output des Codes

Input Description Language

Benutzt Python als Basis

Generierung von Eingabeelementen für numerische Werte

Beispiel:

ID(na= 'Lambda' , pe= '_NF and _Lambda_use' , ty= 'FloatType' , de= '0.5' , ce= 'Lambda > 0.0' , un= 'mu_m' , an= 'Input wavelength' ),

Virtual Lab (4) Beispiel: Streuungsberechnung

Liste verfügbarer Codes im Virtual Lab

Berechnung von Streuungseigenschaften

MIESCHKA

CYL

Durchführung von „ virtuellen Experimenten “

Parameter-Eingabe

Durchführen einer Rechnung

Visualisierung der Ergebnisse

Download der Ergebnisse

Virtual Lab (5) Bsp.: Parametersatz für Streuung eines Wassertropfens

Virtual Lab (6) Bsp.: Output der Berechnung

Virtual Lab (7) Bsp.: Einfache Visualisierung der Ergebnisse

Beispiele für Einsatz von Python, Plone und Zope Steuerung großer Simulationen Virtual Lab Projekt- Webseite

Steuerung von großen Simulationen Einführung

Software wie Virtual Lab reicht für „kleine“ Simulationsanwendungen

Viele komplexere Probleme erfordern hochgenaue numerische Simulationen mit vielen Verarbeitungsschritten („Workflows“)

Oft wird multidisziplinär gekoppelt simuliert

Strömung – Struktur – Wärme – Flugmechanik – Radarsignatur …

Solche Rechnungen werden softwaretechnisch ständig komplexer!

Komplexe Workflows Beispiele aus der Praxis

Softwaretechnische Aufgaben:

Nutzung von Codes mit umfangreichen Schnittstellen

Anstoßen unterschiedlichster Codes in korrekter Reihenfolge

Nutzung von Höchstleistungsrechnern und Clustern

Transferieren von Daten zwischen den Codes

Zusammenarbeit mit Kollegen

Orbit Model Atmosphere Model Instrument Model Downlink Model L0 Processor L1b Processor L2 Processor L2 Processor Satellitendaten- Prozessing PCrash PCrash PCrash Script DesParO Permas PView PView PView Medina SFE Concept Nasbif Pammed Kopf positionierung DesParO GUI Parameter ASCII File mit Ergebnissen 1 2 n Struktur-Optimierung Geometry Definition Main Analysis Subroutine Structures Aerodynamics Stability & Control Propulsion Induced Drag Friction Drag Wave Drag Field Perf . Weights Wing Weight Noise Flight Perf . Fuel Volume Objective Function & Constraints Optimizer (DOT) Design Variables Balance SFC Engine Weight Engine/Aero Drag Geometry Definition Geometry Definition Main Analysis Subroutine Structures Structures Aerodynamics Stability & Control Stability & Control Propulsion Propulsion Induced Drag Friction Drag Wave Drag Field Perf . . Weights Weights Wing Weight Noise Noise Flight Perf . Flight Perf . Fuel Volume Fuel Volume Objective Function & Constraints Objective Function & Constraints Optimizer (DOT) Design Variables Balance Balance SFC Engine Weight Engine/Aero Drag Engine/Aero Drag Flugzeug-Design

Integrations- uns Simulationsumgebung System zur Steuerung komplexer Simulationen

Integrations- und Simulationsumgebung „TENT“ für ingenieurwissenschaftliche Anwendungen.

Gesamtsoftware-System entwickelt in Java

Python als eingebettete Skriptsprache

Integration von Jython

Haupt-Anwendungsfälle von Skripten

Integration von Applikationen („Wrapper“)

Steuerung von Simulationen

Formelauswertung

Beispiel: Gekoppelte Simulation in der Luftfahrt Flugmanöverberechnung

Interaktive Simulation eines frei fliegenden elastischen Kampfflugzeugs

Hochgenaue Simulation erfordert Kopplung von

Aerodynamik (Strömung)

Flugmechanik

Aeroelastik

Hohe Rechenzeiten

Mehrere Wochen auf großem Cluster

Steuerung der Kopplung als Python- Skript in der Simulations-Umgebung

http://www.dlr.de/as/sikma

Kopplungs-Steuerung als Python-Skript

Ergebnis der Rechnungen Strömung

Scripting in Applikationen Einbettung von Python-Interpretern

Allgemein gilt: Anwendungen können von Haus aus nicht alles!

Aber Scripting erlaubt das einfache Hinzufügen fehlender Features

Realisierung durch Einbettung („Embedding“) von Python-Interpretern

(C-)Python oder Jython

Erfahrung: Nutzung von Python erhöht Akzeptanz bei Anwendern

Voraussetzung: Das Scripting-API muss einfach sein

Scripting in Applikationen Abstraktion der (komplexen) Framework-Architektur Applikation Framework / Plattform Kenntnis der Architektur notwendig Extension-API Versteckt Komplexität vor dem Benutzer Benutzer-Skripte Architektur- unabhängig Erweiterung

Beispiele für Einsatz von Python, Plone und Zope Virtual Lab Steuerung großer Simulationen Projekt- Webseite

Projekt-Webseiten Nutzung von Plone als CMS