投影法算法实现，用于计算钻井工具在井眼中的通过能力。
.
├── cpp_src/ # C++ 源代码
│ ├── python_bindings/ # Python 绑定 (pybind11)
│ ├── projection_method.h
│ ├── projection_method.cpp
│ ├── file_io_improved.cpp
│ ├── cnpy_simple.h
│ └── main.cpp
├── python_src/ # Python 源代码
│ └── TouYingFa.py
├── data/ # 数据集目录
│ ├── default/ # 默认数据集
│ ├── PassedExample/ # 通过示例
│ └── FailedExample/ # 失败示例
├── output/ # 输出文件目录
├── scripts/ # Python 和 Shell 脚本
│ ├── check_output.py
│ ├── compare_cpp_py.py
│ ├── benchmark.py
│ ├── test_cpp_binding.py
│ ├── build_and_test.sh
│ └── test_compile.sh
├── examples/ # 使用示例
│ └── use_cpp_binding.py
├── docs/ # 文档
│ ├── README.md
│ ├── PYTHON_BINDING.md
│ ├── QUICK_START.md
│ ├── COMPILE_GUIDE.md
│ ├── HOW_TO_USE.md
│ └── QUICK_REFERENCE.md
├── build/ # 构建目录
├── Makefile # Makefile 配置
└── CLAUDE.md # Claude Code 指南
make # 编译
./projection_method # 交互式选择数据集和参数make
./projection_method 1.0 0.025 3300 3400 0.5 # 使用默认数据集# 安装 Python 绑定
conda activate SWPUCompetiton
cd cpp_src/python_bindings
pip install -e .
# 在仓库根目录运行示例
cd ../..
python examples/use_cpp_binding.pymake test # 编译、运行并验证输出| 版本 | 计算时间 (100m) | 加速比 |
|---|---|---|
| Python 原始实现 | ~64s | 1x |
| C++ 独立程序 | ~2.65s | 24x |
| C++ Python 绑定 | ~0.29s | 220x |
自适应搜索通过动态调整步长，进一步提升计算性能：
| 深度范围 | 固定步长 | 自适应搜索 | 性能提升 |
|---|---|---|---|
| 100m | 200 窗口, 1.9s | 14 窗口, 0.11s | 17.3x |
| 1000m | 2000 窗口, 9.3s | 104 窗口, 0.44s | 21.1x |
使用方法：
# 固定步长模式（传统）
./projection_method 1.0 0.025 3000 4000 0.5 0
# 自适应搜索模式（推荐，大范围计算）
./projection_method 1.0 0.025 3000 4000 0.5 1 2.0 0.5 10.0
# 运行性能对比测试
./benchmark.sh 3000 4000详细文档： 自适应搜索模式使用指南
./projection_method
# 输出：
# 可用数据集：
# 1. default
# 2. PassedExample
# 3. FailedExample
# 请选择数据集 (1-3): 1
#
# 请输入计算参数（直接回车使用默认值）：
# 工具长度 (m) [1.0]:
# 工具半径 (m) [0.025]:
# ..../projection_method <工具长度> <工具半径> <起始深度> <截止深度> <步长>
# 示例
./projection_method 1.0 0.025 3300 3400 0.5from projection_cpp import Projection2_c, Projection2_cpp
import pandas as pd
import numpy as np
# 加载数据
all_data = pd.read_csv('data/default/all_data.csv')
Point_3D = np.load('data/default/Point_3D.npy')
# 调用 C++ 实现（220x 加速）
deep, R, rr, dd, p_all, t_all, draw_R = Projection2_cpp(
all_data, Point_3D, 1.0, 0.025, 3300, 3400, 0.5
)
print(f"最大通过直径: {R * 2 * 1000:.3f} mm")python scripts/check_output.py- 项目文档 - 完整项目文档
- Python 绑定指南 - C++ Python 绑定使用说明
- 快速开始 - 3 步快速开始
- 使用指南 - 详细使用说明
- 编译指南 - 编译选项和故障排除
- 快速参考 - 常用命令速查
- C++17 编译器（GCC 7+, Clang 5+, MSVC 2017+）
- Make
- Python 3.8+
- NumPy, Pandas, Matplotlib, SciPy
- pybind11 (用于 C++ 绑定)
- C++17 编译器（用于编译绑定）
所有输出文件保存在 output/ 目录：
output/pass_last_5m_{depth}m.txt- 最后 5 米的计算数据
output/stuck_point_{depth}m.txt- 卡点前 5 米数据output/final_result_{depth}m.txt- 卡点摘要信息
项目支持多数据集切换：
data/default/- 默认数据集（命令行模式使用）data/PassedExample/- 工具可通过的示例data/FailedExample/- 工具卡住的示例
每个数据集目录需包含：
all_data.csv- 井眼轨迹数据Point_3D.npy- 3D 点云数据
✓ 列 '深度(m)' 一致 (最大差异: 0.0000000000e+00)
✓ 列 '工具长度(m)' 一致 (最大差异: 0.0000000000e+00)
✓ 列 '圆心X(m)' 一致 (最大差异: 0.0000000000e+00)
✓ 列 '圆心Y(m)' 一致 (最大差异: 0.0000000000e+00)
✓ 列 '直径(m)' 一致 (最大差异: 0.0000000000e+00)
🎉 所有文件对比通过！
# C++ 独立程序
make clean && make # 清理并重新编译
make test # 运行测试
# Python 绑定
cd cpp_src/python_bindings
pip install -e . # 安装 C++ Python 绑定
python ../../examples/use_cpp_binding.py # 运行示例
# 测试和验证
python scripts/test_cpp_binding.py # 测试 Python 绑定
python scripts/benchmark.py # 性能对比
python scripts/check_output.py # 验证输出- ✅ 完整的算法移植（与 Python 版本完全一致）
- ✅ 极致的性能（C++ 独立程序 24x，Python 绑定 220x）
- ✅ Python 绑定支持（pybind11，无缝集成）
- ✅ 严格的验证（输出精度完全匹配）
- ✅ 交互式数据集选择
- ✅ 清晰的目录结构
- ✅ 完善的文档
- ✅ 自动化工具
SWPU Competition Project
快速链接：
- 🚀 快速开始
- 🐍 Python 绑定指南
- 📖 完整文档
- 🔧 编译指南
- 📊 性能对比