This study proposes a generalized coordinates based smoothed particle hydrodynamics (GSPH) method with overset methods using a Total Lagrangian (TL) formulation for large deformation and crack propagation problems. In the proposed GSPH, the physical space is decomposed into multiple domains, each of which is mapped to a local coordinate space (generalized space) to avoid coordinate singularities as well as to flexibly change the spatial resolution. The smoothed particle hydrodynamics (SPH) particles are then non-uniformly, e.g., typically in the boundary-conforming way, distributed in the physical space while they are defined uniformly in each generalized space similarly to the normal SPH method, which are numerically related by a coordinate transformation matrix. By solving a governing equation in each generalized space, the shape and size of the SPH kernel can be spatially changed in the physical space so that a spatial resolution is adaptively varied a priori depending on the deformation characteristics, and thus, a low-cost calculation with the less number of particles is achieved in complex shape structures.


翻译:这项研究提出了一种基于光滑粒子流体动力学(GSPH)的通用坐标法,该坐标法采用全拉格朗江(TL)配方法,对大型变形和裂变扩散问题采用超常方法。在拟议的普惠制H型中,物理空间被分解成多个领域,每个领域都绘制到地方坐标空间(通用空间),以避免协调特性,并灵活改变空间分辨率。光滑粒子流体动力学(SPH)颗粒不统一,例如,通常以边界相容方式分布在物理空间,同时在与普通的SPH法相似的每个通用空间统一定义,而普通的平面法则与正常的SGH型变形矩阵在数字上相关。通过在每一个通用空间中确定一个支配方程式,SPH内核的形状和大小可以在物理空间中进行空间空间空间空间的改变,以便空间分辨率根据变形特性而先变,因此在复杂的形状结构中以较少的微粒子数量进行低成本的计算。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
123+阅读 · 2020年9月8日
【课程推荐】 深度学习中的几何(Geometry of Deep Learning)
专知会员服务
57+阅读 · 2019年11月10日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Gartner:2019 年 MSP 魔力象限
云头条
15+阅读 · 2019年3月6日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Arxiv
0+阅读 · 2021年7月12日
Arxiv
0+阅读 · 2021年7月12日
Arxiv
0+阅读 · 2021年7月10日
VIP会员
相关资讯
Gartner:2019 年 MSP 魔力象限
云头条
15+阅读 · 2019年3月6日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Top
微信扫码咨询专知VIP会员