An efficient and momentum conserving algorithm for enforcing contact between solid bodies is proposed. Previous advances in the material point method (MPM) led to a fast and simple, but potentially momentum violating, strategy for enforcing contact. This was achieved through a combination of velocity transfers between background and foreground grids, and a background grid velocity field update. We propose a modified strategy which ensures conservation of both linear and angular momentum with a novel use of the affine particle-in-cell (APIC) method. Two issues common to particle-in-cell based algorithms for contact are also addressed: material bodies tend to stick at a gap which is proportional to the grid spacing; and material points tend to stick together permanently when located within the same grid cell, making material rebound and friction challenging. We show that the use of APIC, combined with a grid transfer and momentum update algorithm results in contact being enforced at essentially zero gap. For the second issue, we propose a novel iterative scheme which allows particles interacting through the background grid to naturally separate after contact and enforce friction, while still satisfying momentum conservation.


翻译:提议采用高效和节动力的算法,加强固体机体之间的接触。以前,物质点法(MPM)的进步导致了快速和简单但可能破坏动力的接触战略。这是通过背景电网和前景电网之间的速度传输以及背景电网速度更新相结合实现的。我们提议了经修改的战略,确保线性和角性动力的保存,同时以新颖方式使用碳离粒子细胞(APIC)方法。基于微粒细胞的算法进行接触的两个共同问题也得到了解决:物质体往往处于与电网间距成比例的缺口;物质点在位于同一个电网格单元内时往往会永久地保持在一起,造成材料反弹和摩擦的挑战。我们表明,利用APIC,加上电网转移和动力更新算法的结果,在基本上零差距下进行接触。关于第二个问题,我们提议一种新型的迭代办法,允许通过背景电网进行互动的微粒子在接触后自然地分离,并进行摩擦,同时保持势头。

0
下载
关闭预览

相关内容

动量方法 (Polyak, 1964) 旨在加速学习,特别是处理高曲率、小但一致的梯度,或是带噪声的梯度。 动量算法积累了之前梯度指数级衰减的移动平均,并且继续沿该方向移动。
专知会员服务
94+阅读 · 2021年1月17日
专知会员服务
45+阅读 · 2020年10月31日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
80+阅读 · 2020年7月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
184+阅读 · 2020年2月1日
TensorFlow 2.0 学习资源汇总
专知会员服务
67+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
carla 体验效果 及代码
CreateAMind
7+阅读 · 2018年2月3日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】直接未来预测:增强学习监督学习
机器学习研究会
6+阅读 · 2017年11月24日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
已删除
将门创投
4+阅读 · 2017年7月7日
Arxiv
0+阅读 · 2021年10月3日
Arxiv
0+阅读 · 2021年10月1日
Arxiv
12+阅读 · 2020年12月10日
VIP会员
相关VIP内容
专知会员服务
94+阅读 · 2021年1月17日
专知会员服务
45+阅读 · 2020年10月31日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
80+阅读 · 2020年7月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
184+阅读 · 2020年2月1日
TensorFlow 2.0 学习资源汇总
专知会员服务
67+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
carla 体验效果 及代码
CreateAMind
7+阅读 · 2018年2月3日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】直接未来预测:增强学习监督学习
机器学习研究会
6+阅读 · 2017年11月24日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
已删除
将门创投
4+阅读 · 2017年7月7日
Top
微信扫码咨询专知VIP会员