This paper develops and investigates a new method for the application of Dirichlet boundary conditions for computational models defined by point clouds. Point cloud models often stem from laser or structured-light scanners which are used to scan existing mechanical structures for which CAD models either do not exist or from which the artifact under investigation deviates in shape or topology. Instead of reconstructing a CAD model from point clouds via surface reconstruction and a subsequent boundary conforming mesh generation, a direct analysis without pre-processing is possible using embedded domain finite element methods. These methods use non-boundary conforming meshes which calls for a weak enforcement of Dirichlet boundary conditions. For point cloud based models, Dirichlet boundary conditions are usually imposed using a diffuse interface approach. This leads to a significant computational overhead due to the necessary computation of domain integrals. Additionally, undesired side effects on the gradients of the solution arise which can only be controlled to some extent. This paper develops a new sharp interface approach for point cloud based models which avoids both issues. The computation of domain integrals is circumvented by an implicit approximation of corresponding Voronoi diagrams of higher order and the resulting sharp approximation avoids the side-effects of diffuse approaches. Benchmark examples from the graphics as well as the computational mechanics community are used to verify the algorithm. All algorithms are implemented in the FCMLab framework and provided at https://gitlab.lrz.de/cie_sam_public/fcmlab/. Further, we discuss challenges and limitations of point cloud based analysis w.r.t. application of Dirichlet boundary conditions.


翻译:本文开发并调查了用于使用点云定义计算模型的Drichlet边界条件的新方法。 点云模型通常来自激光或结构光扫描仪,用来扫描现有的机械结构, CAD 模型不存在或正在调查的文物在形状或地形上有偏差。 此外, CAD 模型不是通过地表重建从点云中重建 CAD 模型,而是通过随后的符合网格生成的边界进行直接分析,而是使用嵌入域域内限元素方法进行直接分析。 这些方法使用非界内符合要求Drichlet边界条件执法不力的中间线。 对于基于点的云模型,Drichlet 边界条件通常使用扩散界面方法来强制实施。 这导致由于对域内集进行必要的计算,因此对解决方案的梯度产生不理想的侧效应,只能在一定程度上加以控制。 本文为基于点的云的模型开发了新的清晰界面方法,避免两个问题。 计算域内集的组合, 由基于点的Voronoooiale 图像分析的侧近端条件绕绕过, 用于基准线/ Ralalbalbalbalbalbal 。, 将所有 Ralbalbalbalbalbisc view view view view view view views view view views views views view views views views viewdaldal view view viewdaldaldaldaldaldaldaldaldaldaldaldaldaldal viewdaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldbaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldald

0
下载
关闭预览

相关内容

根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity)。 根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。 结合激光测量和摄影测量原理得到点云,包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)。 在获取物体表面每个采样点的空间坐标后,得到的是一个点的集合,称之为“点云”(Point Cloud)
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【NeurIPS2020】点针图网络,Pointer Graph Networks
专知会员服务
39+阅读 · 2020年9月27日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
计算机类 | PLDI 2020等国际会议信息6条
Call4Papers
3+阅读 · 2019年7月8日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2022年2月10日
Arxiv
0+阅读 · 2022年2月10日
Review: deep learning on 3D point clouds
Arxiv
5+阅读 · 2020年1月17日
Arxiv
4+阅读 · 2017年1月2日
VIP会员
相关VIP内容
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【NeurIPS2020】点针图网络,Pointer Graph Networks
专知会员服务
39+阅读 · 2020年9月27日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
计算机类 | PLDI 2020等国际会议信息6条
Call4Papers
3+阅读 · 2019年7月8日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员