The Inertia Relief (IR) technique is widely used by industry and produces equilibrated loads allowing to analyze unconstrained systems without resorting to the more expensive full dynamic analysis. The main goal of this work is to develop a computational framework for the solution of unconstrained parametric structural problems with IR and the Proper Generalized Decomposition (PGD) method. First, the IR method is formulated in a parametric setting for both material and geometric parameters. A reduced order model using the encapsulated PGD suite is then developed to solve the parametric IR problem, circumventing the so-called curse of dimensionality. With just one offline computation, the proposed PGD-IR scheme provides a computational vademecum that contains all the possible solutions for a pre-defined range of the parameters. The proposed approach is nonintrusive and it is therefore possible to be integrated with commercial FE packages. The applicability and potential of the developed technique is shown using a three dimensional test case and a more complex industrial test case. The first example is used to highlight the numerical properties of the scheme, whereas the second example demonstrates the potential in a more complex setting and it shows the possibility to integrate the proposed framework within a commercial FE package. In addition, the last example shows the possibility to use the generalized solution in a multi-objective optimization setting.


翻译:工业广泛使用Inertia Relief (IR) 技术,该技术为工业广泛使用,并产生平衡的负荷,从而能够分析不受限制的系统,而不用更昂贵的全动态分析。这项工作的主要目的是制定一个计算框架,以解决IR和适当通用分解(PGD)法中不受限制的准结构问题。首先,在材料和几何参数的参数参数设置参数设置中制定IR方法。然后,利用包装的PGD套件开发一个减少订单模型,以解决参数性IR问题,绕过所谓的维度诅咒。仅用一个离线计算,拟议的PGD-IR计划提供了一个计算模型,包含预定义参数范围的所有可能的解决方案。拟议方法不具有侵扰性,因此有可能与商用FE套件集成。然后用一个三维测试案例和一个更复杂的工业测试案例来显示开发技术的可适用性和潜力。第一个实例用来突出这个方案的数字属性,而第二个实例展示了在F目的框架中采用一个比较复杂的组合的可能性。

0
下载
关闭预览

相关内容

专知会员服务
44+阅读 · 2020年10月31日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
专知会员服务
61+阅读 · 2020年3月4日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12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
【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
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
4+阅读 · 2018年11月15日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Sensitivity analysis in general metric spaces
Arxiv
0+阅读 · 2021年1月20日
Arxiv
3+阅读 · 2018年1月31日
VIP会员
相关资讯
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
4+阅读 · 2018年11月15日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Top
微信扫码咨询专知VIP会员