两种方法实现循环温度的边界条件设置。 复杂的温度变化。
遇到需要设置周期性温度边界的场景，比如模拟昼夜温差对材料的影响，或者重现某个地区全年温度波动，直接写死固定数值肯定不够用。今天聊两种让温度循环动起来的方法，咱们直接上代码边撸边聊。
方法一：数学函数暴打一切
当温度变化能用公式描述时，直接上数学库最省事。比如模拟正弦波温度变化：
import numpy as np def sine_wave_temp(t, amplitude=10, frequency=0.5, baseline=25): """ t: 当前时间（小时） amplitude: 温度波动幅度 frequency: 每天波动次数（0.5就是12小时周期） baseline: 基准温度 """ radian = np.pi * frequency * t / 12 # 把时间转换为弧度 return baseline + amplitude * np.sin(radian) time_points = np.arange(0, 24, 0.5) temps = [sine_wave_temp(t) for t in time_points]这里用了np.sin生成正弦波，调整frequency参数可以玩出花活——比如设为2/24就是每12小时一个周期，适合模拟实验室环境下的快速温变测试。不过实际工程中经常遇到不规则的温度曲线，这时候就得...
方法二：实测数据配插值
当温度变化像心电图一样放飞自我时，咱们祭出插值大法。假设手头有离散的测温数据：
from scipy import interpolate # 实测时间点（小时）和对应温度 raw_time = [0, 3, 7, 15, 20, 24] raw_temp = [18, 22, 28, 32, 25, 18] # 创建插值函数 temp_interp = interpolate.interp1d( raw_time, raw_temp, kind='quadratic', # 二次插值让曲线更丝滑 fill_value="extrapolate" # 超出范围时自动外推 ) # 获取任意时刻温度 noon_temp = temp_interp(12.5) # 中午12点半的温度这里用scipy的插值函数处理不规则数据，kind参数选quadratic比线性插值更接近真实物理规律。遇到超出原始数据范围的时间点，比如模拟多日循环时，设置fill_value让温度自动延续变化趋势。
两种方法各有适用场景：数学函数适合规律变化且需要参数调整的情况，实测插值则专治各种不服的野数据。实际项目里经常需要混合使用——比如用正弦波模拟昼夜大趋势，再叠加上插值得到的异常温度波动，这样既能保证周期性又不会丢失细节。下次做热力仿真时，不妨把这俩方法拖出来溜溜？
