Model 四边形和可变边界最小二乘法

在我的硕士论文中，我试图实现一个代码，该代码评估时间和温度的测量数据，然后用最小二乘法计算变量。问题是Python似乎没有改变积分边界中的变量。该模型基于用于热响应测试的移动线源，如果有人熟悉的话。代码如下所示：

def模型（时间、系数）：
积分=[]
对于时间t\u s：
def f（u）：
返回np.exp（（（x0**2/（（系数[0]/cv）+alpha_l*vth））
+（y0**2/（（系数[0]/cv）+alpha_t*vth）））
*（vth**2/（16*（（系数[0]/cv）+alpha_l）*vth*u））-u）*（1/u）
i、 err=quad（f，0，（（vth**2）*t/（4*（（coeffs[0]/cv）+alpha_l*vth）））
积分.附加（i）
积分=np.asarray（积分）
返回（热流/（4*m.pi*cv*np.sqrt）（（系数[0]/cv）+α-vth）*
（（系数[0]/cv）+alpha_t*vth）））\
*np.exp（（vth*x0）/（2*（（系数[0]/cv）+α（t*vth）））*积分\
+Tb+系数[1]*热流
def残差（系数、y、时间）：
返回y-模型（时间、系数）
猜=[林猜，Rb猜]
x、 flag=leastsq（残差、猜测、参数=（时间、温度、平均值））

所以我需要为

coefs[0]

和

coefs[1]

获得一个好的值。问题是Python只更改

coefs[1]

的变量。 是否有更好的方法来实现一个模型，该模型在每一个时间步都改变积分边界？

---

我想，我对四次方和/或最小二乘法的工作原理有些误解。

请您添加足够的示例数据来重现这个问题好吗？这些数据包含了大约13000点的时间和温度。时间[0,60,120,180,240，…]和温度的平均值[15.49,15.60,15.65，…]。温度在某种程度上是指数增长。对于lam_，我取2作为起始值，对于Rb_，我取0.1。这有用吗？您发布的代码将不会运行，例如，它没有导入语句。请在导入语句和所有数据中进行编辑，这样我就不必为您找出答案并编辑代码-如果您发布完整的示例代码，同时运行并再现问题，这将使您更容易获得帮助。很抱歉回答得太晚。我现在在这个领域，当我回来时，我会提供完整的代码