Phase field fracture models have seen widespread application in the last decade. Among these applications, its use to model the evolution of fatigue cracks has attracted particular interest, as fatigue damage behaviour can be predicted for arbitrary loading histories, dimensions and complexity of the cracking phenomena at play. However, while cycle-by-cycle calculations are remarkably flexible, they are also computationally expensive, hindering the applicability of phase field fatigue models for technologically-relevant problems. In this work, a computational framework for accelerating phase field fatigue calculations is presented. Two novel acceleration strategies are proposed, which can be used in tandem and together with other existing acceleration schemes from the literature. The computational performance of the proposed methods is documented through a series of 2D and 3D boundary value problems, highlighting the robustness and efficiency of the framework even in complex fatigue problems. The observed reduction in computation time using both of the proposed methods in tandem is shown to reach a speed-up factor of 32, with a scaling trend enabling even greater reductions in problems with more load cycles.


翻译:相场断裂模型在过去十年中得到了广泛应用。在这些应用中,其用于模拟疲劳裂纹的演化引起了特别关注,因为可以预测任意加载历史、尺寸和裂纹现象复杂性的疲劳损伤行为。然而,循环计算虽然非常灵活,但也计算负担很大,阻碍了相场疲劳模型在技术相关问题上的适用性。本研究提出了一种加速相场疲劳计算的计算框架。提出了两种新的加速策略,可以与文献中现有的其他加速方案一起使用。通过一系列二维和三维边界值问题,记录了所提出方法的计算性能,并突出了该框架的稳健性和高效性,即使在复杂的疲劳问题中也是如此。所观察到的在两种提议的方法的协同使用下计算时间的降低显示出速度提高系数达到32,随着负载循环问题规模的增加,该趋势呈现出更大的降低。

0
下载
关闭预览

相关内容

专知会员服务
51+阅读 · 2021年6月30日
专知会员服务
60+阅读 · 2020年3月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
GNN 新基准!Long Range Graph Benchmark
图与推荐
0+阅读 · 2022年10月18日
重磅开讲:图灵奖得主—— Joseph Sifakis
THU数据派
0+阅读 · 2022年6月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7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
AI/ML/DNN硬件加速设计怎么入门?
StarryHeavensAbove
10+阅读 · 2018年12月4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
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员