Mechanism selection, formulation design, storage & operating-condition config and real-time output in a modern GUI.
Combustion-Rate-Simulation is a professional propellant combustion-rate computation system built on Cantera. It combines mechanism selection, formulation design, storage & operating-condition configuration and real-time result output in a modern side-bar GUI, with a layered architecture that decouples the compute engine from the UI.
Note
中文项目：推进剂燃烧速度仿真软件——Cantera 计算核心 + 侧边栏 GUI，机理/配方/贮存/工况配置，多线程并行。
- Cantera engine — combustion-rate computation with multiple mechanisms.
- Full workflow — mechanism selection, formulation, storage params, operating conditions, result output.
- Layered design — compute core decoupled from GUI; multi-threaded parallel computing.
- Fast — single case < 2s, 100+ batch cases, UI response < 100ms.
- Modern GUI — particle animations, side-bar navigation.
git clone https://github.com/Windyhhh/Combustion-Rate-Simulation.git
cd Combustion-Rate-Simulation
pip install -r requirements.txt
python src/main.py # launch the simulation GUICombustion-Rate-Simulation/
├── src/
│ ├── engine/ # Cantera computation core
│ ├── gui/ # PyQt interface
│ └── config/ # mechanism & formulation config
├── data/ # mechanisms, properties
└── docs/ # optimization, blog
以下内容提炼自项目博客 燃烧速度仿真软件精品博客.md，完整原文请点击链接。
- 推进剂燃烧速度计算项目缺乏完整架构参考，难以构建专业级系统
- GUI界面设计缺乏科技感，难以满足现代软件审美要求
- 核心计算模块与界面交互逻辑耦合紧密，代码复用性差
- 燃烧计算软件多为闭源商业软件，定制化成本高
- 缺乏模块化设计，难以根据具体需求进行功能扩展
- 计算效率低下，无法支持大规模工况批量计算
- Cantera燃烧计算库学习曲线陡峭，缺乏实战项目案例
- 多线程GUI编程易产生线程安全问题，难以掌握
- 现代化软件界面设计（如粒子动画、侧边栏导航）实现复杂
燃烧速度仿真软件是一款专业的推进剂燃烧速度计算系统，采用现代化侧边栏导航设计，集成了机理选择、配方设计、贮存参数、工况配置和结果输出等完整功能。
- 核心功能：支持多机理选择、灵活配方设计、批量工况配置和实时结果输出
- 技术优势：采用分层架构设计，核心计算模块与GUI界面解耦，支持多线程并行计算
- 实测数据：单工况计算时间<2秒，支持100+工况批量计算，界面响应延迟<100ms
推进剂燃烧速度是固体火箭发动机设计的关键参数，直接影响发动机的性能和可靠性。传统的燃烧速度计算方法主要依赖实验测试，成本高、周期长，难以满足快速迭代设计需求。
场景延伸：该类场景下的其他类似需求包括：
- 推进剂配方优化设计
- 燃烧产物成分分析
- 推进剂贮存寿命预测
- 发动机内流场仿真
graph TD
A[推进剂设计需求] --> B[燃烧速度计算]
B --> C[实验测试]
B --> D[数值仿真]
D --> E[Cantera燃烧计算]
D --> F[多物理场耦合]
E --> G[燃烧速度仿真软件]
G --> H[配方优化]
G --> I[工况分析]
G --> J[贮存预测]
核心作用解读：该图展示了燃烧速度仿真软件在推进剂设计流程中的位置和应用场景，明确了数值仿真相对于传统实验测试的优势。
-
计算效率低：传统燃烧计算方法耗时久，难以支持大规模参数扫描
- 痛点成因：燃烧反应机理复杂，涉及数千个化学反应和物种
- 传统解决方案不足：单线程计算无法充分利用现代CPU多核资源
-
界面交互不友好：早期版本采用线性流程设计，用户体验差
- 痛点成因：缺乏直观的导航设计，用户难以在不同步骤间快速切换
- 传统解决方案不足：固定线性流程限制了用户的操作灵活性
-
配置过程繁琐：工况配置需要逐个添加，效率低下
- 痛点成因：缺乏批量配置功能，用户需要重复进行相同操作
- 传统解决方案不足：手动配置易出错，且无法快速生成多种工况组合
| 目标类型 | 具体目标 | 目标达成核心价值 |
|---|---|---|
| 技术目标 | 1. 实现燃烧速度计算效率提升50%以上 2. 支持100+工况批量计算 3. 界面响应延迟<100ms |
提高设计效率，缩短开发周期 |
| 落地目标 | 1. 支持Windows平台独立EXE运行 2. 适配1600x950及以上分辨率 3. 实现完整的功能验证机制 |
降低用户使用门槛，提高软件可用性 |
| 复用目标 | 1. 核心计算模块可独立复用 2. GUI框架可扩展支持其他计算功能 3. 配置文件格式标准化 |
提高代码复用率，降低后续开发成本 |
Cantera燃烧计算库基础原理
Cantera是一款开源的化学动力学、热力学和输运过程模拟软件库，支持多种燃烧模型和反应机理格式。
🔵 基础知识点 Cantera采用面向对象设计，核心类包括：
Solution：表示一个化学系统，包含热力学、动力学和输运性质Reactor：表示一个化学反应器，用于模
技术栈选型基于以下维度：
- 场景适配：推进剂燃烧计算需要专业的燃烧动力学库支持
- 性能：计算密集型应用需要高效的数值计算库
- 复用性：模块化设计需要清晰的代码结构和接口定义
- 学习成本：团队成员熟悉Python生态，降低学习成本
- 开发效率：成熟的GUI框架和第三方库加速开发进程
- 维护成本：开源库具有活跃的社区支持和完善的文档
选型评估过程：
| 技术维度 | 候选技术 | 最终选型 | 淘汰理由 |
|---|---|---|---|
| 燃烧计算库 | Cantera、Chemkin、OpenFOAM | Cantera | Chemkin闭源收费，OpenFOAM学习曲线陡峭 |
| GUI框架 | tkinter、PyQt、wxPython | tkinter | PyQt商业授权问题，wxPython文档相对较少 |
| 数值计算库 | numpy、scipy、pandas | numpy | scipy功能冗余，pandas主要用于数据分析 |
| 图像处理库 | PIL/Pillow、OpenCV | PIL/Pillow | OpenCV功能过于强大，超出项目需求 |
| 打包工具 | PyInstaller、cx_Freeze、py2exe | PyInstaller | cx_Freeze配置复杂，py2exe只支持Python 2.x |
选型思路延伸：该选型逻辑适用于大多数科学计算GUI应用，核心原则是选择成熟、开源、社区活跃的库，优先考虑团队成员熟悉的技术栈。
| 技术维度 | 候选技术 | 最终选型 | 选型依据 | 复用价值 | 基础原理极简解读 |
|---|---|---|---|---|---|
| 编程语言 | Python 3.8、Python 3.9、Python 3.10 | Python 3.9 | 稳定版本，Cantera支持良好 | 高 | 解释型语言，语法简洁，生态丰富 |
| 燃烧计算 | Cantera、Chemkin、OpenFOAM | Cantera | 开源免费，功能全面，文档完善 | 高 | 基于化学动力学理论，支持多种燃烧模型 |
| GUI框架 | tkinter、PyQt、wxPython | tkinter | 标准库内置，无需额外安装，轻量级 | 中 | 基于Tcl/Tk，跨平台GUI框架 |
| 数值计算 | numpy、scipy、pandas | numpy | 高效的多维数组运算，Cantera依赖 | 高 | 基于C语言实现，提供高效的数值计算能力 |
| 图像处理 | PIL/Pillow、OpenCV | PIL/Pillow | 轻量级，适合GUI图像显示 | 中 | 提供图像处理和显示功能，支持多种图像格式 |
| 多线程 |
技术原理：采用分层架构设计，将核心计算模块与GUI界面解耦，提高代码的复用性和可维护性。
实现方式：
- 核心计算层：封装Cantera燃烧计算逻辑，提供统一的计算接口
- 业务逻辑层：处理业务流程和数据验证
- GUI表现层：负责用户界面展示和事件处理
- 数据持久层：处理配置文件的读写操作
量化优势：
- 核心计算模块可独立复用，无需依赖GUI库
- 代码复用率提升40%，后续功能扩展开发效率提升30%
- 单元测试覆盖率可达80%以上
复用价值：
- 毕设场景：可直接复用核心计算模块，快速构建不同的GUI界面
- 企业场景：支持多客户端接入，可扩展为Web服务或API接口
易错点提醒：
- 分层架构设计时，需注意层间接口的定义和稳定性
- 避免层间调用的循环依赖
- 核心计算层应尽量减少对外部库的依赖
graph TD
A[GUI表现层] --> B[业务逻辑层]
B --> C[核心计算层]
B --> D[数据持久层]
C --> E[Cantera库]
C --> F[numpy库]
D --> G[配置文件]
A --> H[tkinter库]
A --> I[PIL库]
核心作用解读：该架构图展示了项目的分层设计，清晰标注了各层的依赖关系和职责划分。
技术原理：将耗时的燃烧计算任务放在后台线程执行，主线程负责GUI更新和事件处理，通过线程安全的队列实现线程间通信。
实现方式：
- 使用
threading.Thread创建后台计算线程 - 使用
queue.Queue实现线程间安全通信 - 主线程通过定时器定期检查队列中的计算结果
- 计算过程中禁用相关控件，防止重复提交
量化优势：
- 单工况计算时间<2秒，支持100+工况批量计算
- 界面响应延迟<100ms，用户体验流畅
- CPU利用率提升至80%以上
复用价值：
- 毕设场景：可应用于任何需要后台计算的GUI项目
- 企业场景：支持大规模并行计算，提高系统吞吐量
易错点提醒：
- 避免在后台线程中直接更新GUI控件
- 注意线程同步和锁机制的使用，防止资源竞争
- 合理设置线程数量，避免线程过多导致系统资源耗尽
sequenceDiagram
participant GUI as 主线程(GUI)
participant Queue as 线程安全队列
participant Thread as 后台计算线程
participant Cantera as Cantera计算引擎
GUI->>Queue: 提交计算任务
GUI->>GUI: 禁用计算按钮
GUI->>Thread: 启动后台
### 模块4：系统架构设计
#### 架构类型
项目采用**分层架构设计**，核心计算模块与GUI界面解耦，支持多线程并行计算。
**架构选型理由**：
- 适合科学计算类应用，清晰分离计算逻辑和界面展示
- 便于后续功能扩展和维护
- 提高代码复用性，核心计算模块可独立使用
**架构适用场景延伸**：
- 科学计算类GUI应用
- 数据可视化工具
- 仿真模拟软件
#### 架构拆解
```mermaid
graph TD
subgraph GUI表现层
A[启动动画模块]
B[主界面模块]
C[侧边栏导航模块]
D[步骤1：机理选择]
E[步骤2：配方设计]
F[步骤3：贮存参数]
G[步骤4：工况配置]
H[步骤5：结果输出]
end
subgraph 业务逻辑层
I[步骤管理器]
J[数据验证器]
K[计算任务调度器]
end
subgraph 核心计算层
L[燃烧计算引擎]
M[机理解析模块]
N[配方计算模块]
O[工况计算模块]
end
subgraph 数据持久层
P[配置文件读写模块]
Q[结果数据管理模块]
end
A --> B
B --> C
C --> D
C --> E
C --> F
C --> G
C --> H
D --> I
E --> I
F --> I
G --> I
H --> I
I --> J
I --> K
K --> L
L --> M
L --> N
L --> O
M --> P
N --> P
O --> P
H --> Q
架构图解读：
- 数据流向：用户通过GUI界面输入数据 → 业务逻辑层处理和验证 → 核心计算层执行计算 → 结果返回GUI界面显示
- 核心模块：
- 侧边栏导航模块：实现步骤间的快速切换
- 计算任务调度器：管理后台计算线程
- 燃烧计算引擎：封装Cantera计算逻辑
- 扩展模块：可通过添加新的步骤模块扩展功能
模块职责与交互逻辑：
| 模块名称 | 模块职责 | 模块间交互逻辑 | 复用方式 | 核心技术点 |
|---|---|---|---|---|
| 启动动画模块 | 显示炫酷启动动画 | 启动完成后调用主界面模块 | 直接复用 | 粒子动 |
功能描述：
- 输入：燃烧机理文件、配方参数、工况条件
- 输出：燃烧速度、燃烧产物成分、温度分布
- 核心作用：执行推进剂燃烧速度计算
- 适用场景：推进剂配方设计、燃烧性能分析
核心技术点：
- Cantera燃烧计算库的使用
- 燃烧反应机理的解析和处理
- 数值计算方法（如牛顿迭代法）
技术难点：
- 成因：燃烧反应机理复杂，涉及数千个化学反应和物种，计算量大
- 解决方案：采用高效的数值计算方法，优化反应机理，只保留关键反应
- 优化思路：使用并行计算技术，充分利用多核CPU资源
实现逻辑：
- 解析燃烧机理文件，创建Cantera Solution对象
- 设置推进剂配方参数（各组分含量、密度）
- 配置燃烧工况条件（温度、压力）
- 执行燃烧速度计算（采用自由火焰模型）
- 处理计算结果，提取燃烧速度等关键参数
- 返回结构化的计算结果
接口设计：
def calculate_burning_rate(mechanism_file, propellant_params,工况_conditions):
"""
计算推进剂燃烧速度
参数：
- mechanism_file: 燃烧机理文件路径
- propellant_params: 推进剂参数字典
{"components": {"AP": 0.7, "Al": 0.15, "HTPB": 0.15}, "density": 1.6}
- 工况_conditions: 工况条件字典
{"temperature": 25, "pressure": 1.0}
返回：
- result: 计算结果字典
{"burning_rate": 5.2, "flame_temperature": 3000, "products": {...}}
"""
# 核心计算逻辑
pass复用价值：
- 模块可独立复用，无需依赖GUI库
- 支持多种燃烧机理格式
- 可扩展支持其他燃烧特性计算
可视化图表：
flowchart TD
A[输入参数] --> B[解析燃烧机理]
B --> C[创建Solution对象]
C --> D[设置配方参数]
D --> E[配置工况条件]
E --> F[执行燃烧计算]
F --> G[提取计算结果]
G --> H[返回结构化结果]
subgraph 关键步骤
B
F
G
end
可复用代码框架：
import cantera as ct
import numpy a
### 模块6：性能优化
#### 优化维度
项目的性能优化主要集中在以下3个核心方向：
1. **计算效率优化**：提高燃烧速度计算的效率，减少计算时间
2. **界面响应优化**：保持GUI界面的流畅性，减少响应延迟
3. **内存使用优化**：降低内存占用，支持大规模工况计算
#### 优化说明
| 优化维度 | 优化前痛点 | 优化目标 | 优化方案（分步骤） | 方案原理 | 测试环境 | 优化后指标 | 提升幅度 | 优化方案复用价值 |
|----------|------------|----------|------------------|----------|----------|------------|----------|------------------|
| **计算效率** | 单工况计算时间>5秒 | 单工况计算时间<2秒 | 1. 优化燃烧机理，只保留关键反应<br>2. 调整Cantera求解器参数<br>3. 采用并行计算技术 | 减少计算复杂度，充分利用多核CPU | Intel i7-10700K, 32GB RAM | 单工况计算时间1.8秒 | **提升64%** | 可应用于任何基于Cantera的计算项目 |
| **界面响应** | 计算过程中界面卡顿 | 界面响应延迟<100ms | 1. 使用多线程并行计算<br>2. 优化GUI更新频率<br>3. 采用异步IO处理文件操作 | 后台线程执行计算，主线程专注于GUI更新 | Windows 11, Python 3.9 | 界面响应延迟<80ms | **提升85%** | 可应用于任何计算密集型GUI项目 |
| **内存使用** | 100工况计算内存占用>2GB | 100工况计算内存占用<500MB | 1. 优化数据结构，减少内存占用<br>2. 及时释放不再使用的对象<br>3. 采用生成器处理大规模数据 | 减少内存分配，及时回收垃圾 | Intel i7-10700K, 32GB RAM | 100工况计算内存占用420MB | **降低79%** | 可应用于任何内存密集型应用 |
#### 可视化要求
```mermaid
bar chart
title 优化前后性能对比
x-axis [单工况计算时间, 界面响应延迟, 100工况内存占用]
y-axis 优化前
bar 优化前 [5.2, 550, 2100]
bar 优化后 [1.8, 80, 420]
legend [优化前, 优化后]核心作用解读：该柱状图直观展示了优化前后的性能指标对比，清晰反映了优化效果。
flowchart TD
A[优化前] --> B[单线程计算]
B --> C[GUI界面卡顿]
A --> D[完整燃烧机理]
D --> E[计算时间长]
A --> F[未优化数据结构]
F --> G[内存占用高]
H[优化后] --> I[多线程并行计算]
I --> J[GUI
---
## License
MIT — free to use, modify and distribute.