The Lip-field approach is a new regularization method for softening material material models. It was presented first in a previous paper providing one-dimensional simulations for damage and plasticity. The present paper focuses on a two-dimensional implementation for elasto-damage models (quasi-brittle fracture). The incremental potential used in the Lip-field approach is the non-regularized one. The regularization comes from the addition of a Lipschitz constraint on the damage field. In other words, the free energy does not depend on the damage gradient. The search of the displacement and damage fields from one time-step to the next is based on an iterative staggered scheme. The displacement field is sought for a given damage field. Then, a Lipschitz continuous damage field is sought for a given displacement field. Both problems are convex. The solution to the latter benefits from bounds proven in a previous paper and used here. The paper details the implementation of the Lipschitz regularity on a finite element mesh and details the overall solution scheme. Four numerical examples demonstrate the capability of the new approach.


翻译:Lip-field 方法是软化材料模型的一种新的正规化方法,首先在提供损害和可塑性的一维模拟的前一份文件中介绍,本文件侧重于对 Elasto 损坏模型(qisi-brittle裂缝)的二维实施;Lip-field 方法中使用的递增潜力是非正规化的。正规化来自对损害场附加的Lipschitz限制。换句话说,自由能源并不取决于损害梯度。从一个时间步到下一个时间段对迁移和破坏场的搜索是以迭代错开办法为基础的。为某个特定损害场寻找迁移场。然后,为某个特定的迁移场寻找一个Lipschitz 连续损害场。这两个问题都是共通的。对于后一种损害场的解决方案,前一份文件所证明并在此使用。本文详细介绍了对有限元素介质实施Lipschitz 常规化的情况,并详细介绍了整个解决方案。四个数字例子显示了新方法的能力。

0
下载
关闭预览

相关内容

专知会员服务
28+阅读 · 2021年8月2日
专知会员服务
18+阅读 · 2021年2月8日
专知会员服务
29+阅读 · 2020年12月14日
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
Arxiv
8+阅读 · 2019年2月15日
Arxiv
5+阅读 · 2018年6月12日
Arxiv
3+阅读 · 2018年1月10日
VIP会员
相关VIP内容
专知会员服务
28+阅读 · 2021年8月2日
专知会员服务
18+阅读 · 2021年2月8日
专知会员服务
29+阅读 · 2020年12月14日
相关资讯
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
Top
微信扫码咨询专知VIP会员