Fiber-reinforced soft biological tissues are typically modeled as hyperelastic, anisotropic, and nearly incompressible materials. To enforce incompressibility a multiplicative split of the deformation gradient into a volumetric and an isochoric part is a very common approach. However, due to the high stiffness of anisotropic materials in the preferred directions, the finite element analysis of such problems often suffers from severe locking effects and numerical instabilities. In this paper, we present novel methods to overcome locking phenomena for anisotropic materials using stabilized P1-P1 elements. We introduce different stabilization techniques and demonstrate the high robustness and computational efficiency of the chosen methods. In several benchmark problems we compare the approach to standard linear elements and show the accuracy and versatility of the methods to simulate anisotropic, nearly and fully incompressible materials. We are convinced that this numerical framework offers the possibility to accelerate accurate simulations of biological tissues, enabling patient-specfic parameterization studies, which require numerous forward simulations.


翻译:纤维强化软生物组织典型的模型是超弹性、厌食和几乎无法压缩的材料。为了强制实施不压缩,将变形梯度的倍增分解成体积和异异地体部分是一个非常常见的方法。然而,由于厌食材料在偏好方向的高度僵硬,对此类问题的有限元素分析往往具有严重的锁定效应和数字不稳定性。在本文中,我们介绍了利用稳定的P1-P1元素克服厌食材料锁定现象的新方法。我们采用了不同的稳定技术,并展示了所选方法的高度稳健性和计算效率。在几个基准问题中,我们比较了标准线性元素的方法,并展示了模拟厌食材料的方法的准确性和多功能性。我们深信,这个数字框架提供了加快准确模拟生物组织的可能性,从而能够进行病人特征参数化研究,这需要许多前期模拟。

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年10月13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
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
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
22+阅读 · 2021年12月19日
Learning to Weight for Text Classification
Arxiv
8+阅读 · 2019年3月28日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
Arxiv
6+阅读 · 2018年3月28日
VIP会员
相关VIP内容
相关资讯
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
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4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