Phase-field models of fracture introduce smeared cracks of width commensurate with a regularisation length parameter $\epsilon$ and obeying a minimum energy principle. Mesh adaptivity naturally suggests itself as a means of supplying spatial resolution were needed while simultaneously keeping the computational size of the model as small as possible. Here, a variational-based spatial adaptivity is proposed for a phase-field model of fracture. The conventional phase-field model is generalised by allowing a spatial variation of the regularisation length $\epsilon$ in the energy functional. The optimal spatial variation of the regularisation length then follows by energy minimisation in the same manner as the displacement and phase fields. The extended phase-field model is utilised as a basis for an adaptive mesh refinement strategy, whereby the mesh size is required to resolve the optimal length parameter locally. The resulting solution procedure is implemented in the framework of the finite element library FEniCS. Selected numerical tests suggest that the spatially adaptive phase-field model exhibits the same convergence rate as the conventional phase-field model, albeit with a vastly superior constant, which results in considerable computational savings.


翻译:相片断裂形模型引入了与正常化参数($\ epsilon$)和符合最低能量原则相称的涂片宽度裂缝。 网状适应性自然表明自己是提供空间分辨率的一种手段, 同时需要将模型的计算大小尽可能小。 在此, 提出了一个基于不同空间的适切性模型, 用于分阶段断裂型模型。 常规的相位模型通过在能量功能中允许对正常化长度( $\ epsilon$)的空间差异进行空间差异来加以概括。 规范化长度的最佳空间差异随后以与位移和阶段字段相同的方式进行能源最小化。 扩展的战区模型被用作适应性网格精细化战略的基础, 从而需要网格大小来在当地解决最佳长度参数。 由此产生的解决方案程序在有限元素库 FENICS 的框架内实施。 某些数字测试表明, 空间适应性阶段模型显示与常规的相位模型相同的趋近率, 尽管常值非常高, 从而可以实现相当的计算节约。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
63+阅读 · 2020年12月11日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
Arxiv
0+阅读 · 2021年11月15日
Arxiv
3+阅读 · 2017年12月1日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
Top
微信扫码咨询专知VIP会员