This paper aims at reviewing nonlinear methods for model order reduction of structures with geometric nonlinearity, with a special emphasis on the techniques based on invariant manifold theory. Nonlinear methods differ from linear based techniques by their use of a nonlinear mapping instead of adding new vectors to enlarge the projection basis. Invariant manifolds have been first introduced in vibration theory within the context of nonlinear normal modes (NNMs) and have been initially computed from the modal basis, using either a graph representation or a normal form approach to compute mappings and reduced dynamics. These developments are first recalled following a historical perspective, where the main applications were first oriented toward structural models that can be expressed thanks to partial differential equations (PDE). They are then replaced in the more general context of the parametrisation of invariant manifold that allows unifying the approaches. Then the specific case of structures discretized with the finite element method is addressed. Implicit condensation, giving rise to a projection onto a stress manifold, and modal derivatives, used in the framework of the quadratic manifold, are first reviewed. Finally, recent developments allowing direct computation of reduced-order models (ROMs) relying on invariant manifolds theory are detailed. Applicative examples are shown and the extension of the methods to deal with further complications are reviewed. Finally, open problems and future directions are highlighted.


翻译:本文旨在审查非线性方法,用以对具有几何非线性的结构进行示范性降序,特别侧重于基于不变的多元理论的技术。非线性方法与线性技术不同,因为使用非线性绘图而不是增加新的矢量来扩大投影基础。在非线性正常模式(NNMS)范围内,首次在振动理论中引入了异质元,最初是在模式基础上计算的,使用图表表示法或正常形式方法来计算绘图和减少动态。这些动态首先从历史角度回顾,主要应用首先面向结构模型,而这种模型是部分差异方程式(PDE)的表达方式。随后,在更笼统的变异性模型的配方配方配方配方配方配方配方配方的配方配方中,取代了非线性方配方配方配方配方配方,从而能够统一各种办法的振动理论。随后,与有限要素法方法分离的结构的具体实例,在四面形元结构框架中使用的预测和模式衍生物衍生物衍生物的预测,首先审查。最后,允许对减序式模型进行直接推导式分析,然后是后期分析。

0
下载
关闭预览

相关内容

【图与几何深度学习】Graph and geometric deep learning,49页ppt
专知会员服务
41+阅读 · 2021年4月2日
【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
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25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
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2021年9月11日
Arxiv
49+阅读 · 2020年12月16日
Arxiv
5+阅读 · 2018年5月31日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25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
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员