If statement If2/3在Gekko有限元法中的正交配置

我目前正在使用Gekko库开发一个动态热传递模型。该模型由偏微分方程组组成。如APMonitor平台所示，空间上变化的微分已离散，而时间上的微分已通过有限元法上的正交配置进行数值求解

我有两个问题：

该模型仅在空间上最多3个离散点，时间上最多30个，节点数为3。而对于

节点=4

，节点不遵循函数值。是什么解释了这种行为

当使用任何if2/3时，该模型均未求解。对所有类型的溶解剂进行了测试，没有一种找到了解决方案。当m.if3被m.中间产物替换时，模型正常求解。此外，如果未指定节点数，则模型最多可求解n=20和nt=300个点。通过添加ifs和节点，可以解释性能下降的原因是什么？模型的表述或结构是否不正确

可以做些什么来改进？模型需要在至少100个时间点和

节点=3

进行求解

***我还想知道如何在另一个if2/3中使用if2/3

这是模型的主要部分：

将numpy导入为np
导入数据
从func_H导入func_H
从func_KW导入func_KW
从func_den导入func_fg_cpv
从func_PG导入func_PG
从func_CPV导入func_cpv11、func_cpv21、func_cpv31、func_cpv41、func_cpv51、func_cpv6、func_cpv7、func_cpv8、func_cpv12、func_cpv22、func_cpv32、func_cpv42、func_cpv52
从func_CPL导入func_cpl11、func_cpl12、func_cpl21、func_cpl22、func_cpl31、func_cpl32、func_cpl4、func_cpl5、func_cpl6、func_cpl71、func_cpl72、func_cpl8、func_cpl9
从导入函数项中的函数项
从func_DHW导入func_DHW
将matplotlib.pyplot作为plt导入
从gekko进口gekko
m=GEKKO（远程=False）
zf=0.17
tf=768.24
dz=zf/n
n=3
nt=10
m、 时间=np.linspace（0，tf，nt）
nd=3
####################################################################################################
u=函数条件（data.tg，data.g，data.p1，data.yi[0]，data.yi[1]，data.yi[2]，data.yi[3]，data.yi[4]，data.yi[5]，data.yi[6]，data.yi[7]，n）
tg=[m.Var（u[0][i]），对于范围（n）内的i]
g=[m.Var（u[1][i]）表示范围（n）内的i]
pg=[m.Var（u[2][i]）表示范围（n）内的i]
tp=[m.Var（data.tp）表示范围（n）内的i]
y1=[m.Var（u[3][i][0]），对于范围（n）内的i]
y2=[m.Var（u[4][i][0]），对于范围（n）内的i]
y3=[m.Var（u[5][i][0]），对于范围（n）内的i]
y4=[m.Var（u[6][i][0]），对于范围（n）内的i]
y5=[m.Var（u[7][i][0]），对于范围（n）内的i]
y6=[m.Var（u[8][i][0]），对于范围（n）内的i]
y7=[m.Var（u[9][i][0]），对于范围（n）内的i]
y8=[m.Var（u[10][i][0]），对于范围（n）内的i]
对于范围（n）中的i，y=[np.数组（[y1[i]，y2[i]，y3[i]，y4[i]，y5[i]，y6[i]，y7[i]，y8[i]]）
范围（n）内的i的yt=[np.转置（y[i]）]
x1=[m.Var（data.xi[0]），适用于范围（n）内的i]
x2=[m.Var（data.xi[1]）表示范围（n）内的i]
x3=[m.Var（data.xi[2]），适用于范围（n）内的i]
x4=[m.Var（data.xi[3]）表示范围（n）内的i]
x5=[m.Var（data.xi[4]），适用于范围（n）内的i]
x6=[m.Var（data.xi[5]），适用于范围（n）内的i]
x7=[m.Var（data.xi[6]），适用于范围（n）内的i]
x8=[m.Var（data.xi[7]），适用于范围（n）内的i]
x9=[m.Var（data.xi[8]），对于范围（n）内的i]
对于范围（n）中的i，x=[np.数组（[x1[i]，x2[i]，x3[i]，x4[i]，x5[i]，x6[i]，x7[i]，x8[i]，x9[i]]）
####################################################################################################
对于范围（n）内的i，rhog=[m.Intermediate（（pg[i]*（data.mmg@y[i]）/（data.r*tg[i]））
kw=[m.中间值（func_-kw（g[i]，tg[i]，y[i]，pg[i]，rhog[i]），用于范围（n）内的i）]
对于范围（n）内的i，weg=[m.Intermediate（m.exp（-3.5+（0.0549/tg[i]））
wg=[m.Intermediate（（pg[i]*data.mmg[3]*y4[i]）/（data.r*tg[i]），用于范围（n）内的i）]
rw_f=[m.mediate（kw[i]*data.a*（weg[i]-wg[i]），用于范围（n）内的i]
rw_m=[m.中间值（rw_f[i]*1000/18.01528），适用于范围（n）内的i]
dhw=[m.中间值（函数dhw（tg[i]，tp[i]），用于范围（n）内的i]
qcond=[m.中间值（rw_m[i]*dhw[i]），用于范围（n）内的i]
##热容
cpv1=[m.if2（tg[i]-700，func_cpv11（tg[i]），func_cpv12（tg[i]），用于范围（n）内的i]
cpv2=[m.if2（tg[i]-500，func_cpv21（tg[i]），func_cpv22（tg[i]），用于范围（n）内的i]
cpv3=[m.if2（tg[i]-1200，func_cpv31（tg[i]），func_cpv32（tg[i]），用于范围（n）内的i]
cpv4=[m.if2（tg[i]-1700，func_cpv41（tg[i]），func_cpv42（tg[i]），用于范围（n）内的i]
cpv5=[m.if2（tg[i]-1300，func_cpv51（tg[i]），func_cpv52（tg[i]），用于范围（n）内的i]
#cpv1=[m.中间（函数cpv11（tg[i]），用于范围（n）内的i]
#cpv2=[m.中间值（函数cpv21（tg[i]），用于范围（n）内的i]
#cpv3=[m.mediate（func_cpv31（tg[i]）表示范围（n）内的i]
#cpv4=[m.mediate（func_cpv41（tg[i]）表示范围（n）内的i]
#cpv5=[m.中间（函数cpv51（tg[i]），用于范围（n）内的i]
cpv6=[m.中间（函数cpv6（tg[i]），用于范围（n）内的i]
cpv7=[m.中间（函数cpv7（tg[i]），用于范围（n）内的i]
cpv8=[m.中间（函数cpv8（tg[i]），用于范围（n）内的i]
cpv=[[cpv1[i]、cpv2[i]、cpv3[i]、cpv4[i]、cpv5[i]、cpv6[i]、cpv7[i]、cpv8[i]]表示范围（n）内的i
fg_cpv=[m.中间值（func_fg_cpv（g[i]，cpv[i]，y[i]），用于范围（n）内的i]
对于范围（n）内的i，h=[m.中间（func_h（g[i]，tg[i]，y[i]，cpv[i]））
qconv=[m.中间（（data.a*h[i]*（tg[i]-tp[i]），用于范围（n）内的i）]
对于范围（n）内的i，p=[m.中间（func_pg（g[i]，tg[i]，y[i]，rhog[i]））
##热容
cpl1=[m.if2（tp[i]-950，func_cpl11（tp[i]），func_cpl12（tp[i]），用于范围（n）内的i]
cpl2=[m.if2（tp[i]-900，func_cpl21（tp[i]），func_cpl22（tp[i]），用于范围（n）内的i]
cpl3=[m.if2（tp[i]-847，func_cpl31（tp[i]），func_cpl32（tp[i]），用于范围（n）内的i]
#cpl1=[m.Intermediate（func_cpl11（tp[i]）表示范围（n）内的i]
#cpl2=[m.Intermediate（func_cpl21（tp[i]）表示范围（n）内的i]
#cpl3=[m.Intermediate（func_cpl31（tp[i]）表示范围（n）内的i]
cpl4=[m.mediate（func_cpl4（tp[i]））表示r中的i
 Number of state variables:    510
 Number of total equations: -  402
 Number of slack variables: -  0
 ---------------------------------------
 Degrees of freedom       :    108
 
 ----------------------------------------------
 Dynamic Control with APOPT Solver
 ----------------------------------------------
 
 Iter    Objective  Convergence
    0  1.67459E+11  1.01245E+05
    1         +Inf  1.01245E+05
 No feasible solution
 
 ---------------------------------------------------
 Solver         :  APOPT (v1.0)
 Solution time  :  1.1939000000000002 sec
 Objective      :  108000.
 Unsuccessful with error code  0
 ---------------------------------------------------
 
 Creating file: infeasibilities.txt
 Use command apm_get(server,app,'infeasibilities.txt') to retrieve file
 @error: Solution Not Found

m.open_folder()
m.solve()