A cell-centered implicit-explicit updated Lagrangian finite volume scheme on unstructured grids is proposed for a unified first order hyperbolic formulation of continuum fluid and solid mechanics. The scheme provably respects the stiff relaxation limits of the continuous model at the fully discrete level, thus it is asymptotic preserving. Furthermore, the GCL is satisfied by a compatible discretization that makes use of a nodal solver to compute vertex-based fluxes that are used both for the motion of the computational mesh as well as for the time evolution of the governing PDEs. Second-order accuracy in space is achieved using a TVD piecewise linear reconstruction, while an implicit-explicit (IMEX) Runge-Kutta time discretization allows the scheme to obtain higher accuracy also in time. Particular care is devoted to the design of a stiff ODE solver, based on approximate analytical solutions of the governing equations, that plays a crucial role when the visco-plastic limit of the model is approached. We demonstrate the accuracy and robustness of the scheme on a wide spectrum of material responses covered by the unified continuum model that includes inviscid hydrodynamics, viscous heat conducting fluids, elastic and elasto-plastic solids in multidimensional settings.


翻译:提议对无结构网格进行统一一阶双曲制式的连续流体和固态力力力学的连续流体和固态力学的双向双向制成,以细胞为中心、以隐含为中心、更新的Lagrangian 有限体积制成。该办法在完全离散的层次上尊重连续模型的严格放松限度,因此是无保护的。此外,GCL对一个兼容的离散性办法感到满意,该办法利用一个节点溶解器来计算以螺旋为主的流体通量,既用于计算网格运动,也用于调节PDE的时代演进。我们用TVD线性线性重建来达到空间二级精确度的精确度,而一个隐含显性(IMEX)的Runge-Kutta时间分解使这个办法也能及时获得更高的精确度。我们特别注意设计一个硬性ODE解解解算器,该解算法用于计算模型的反向定型网状网格和时间演变。我们用TVD-D线性线性线性重建,同时显示该办法在进行统一流流流流流流到流体模型中包括进行流体-流体-流体-流体-流体-流体-流体-流体-流体-流体-流体-流体-流体-流体模型的广化模型所覆盖的广的广的广的广的广的广材料反应的精确性和和精度反应的广的精确性模型的精确性和。

0
下载
关闭预览

相关内容

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
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
【ACL2020放榜!】事件抽取、关系抽取、NER、Few-Shot 相关论文整理
深度学习自然语言处理
18+阅读 · 2020年5月22日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18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
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
【ACL2020放榜!】事件抽取、关系抽取、NER、Few-Shot 相关论文整理
深度学习自然语言处理
18+阅读 · 2020年5月22日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18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
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6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