A novel finite element formulation for gradient-regularized damage models is presented which allows for the robust, efficient, and mesh-independent simulation of damage phenomena in engineering and biological materials. The paper presents a Lagrange multiplier based mixed finite element formulation for finite strains. Thereby, no numerical stabilization or penalty parameters are required. On the other hand, no additional degrees of freedom appear for the Lagrange multiplier which is achieved through a suitable FE-interpolation scheme allowing for static condensation. In contrast to competitive approaches from the literature with similar efficiency, the proposed formulation does not require cross-element information and thus, a straightforward implementation using standard element routine interfaces is enabled. Numerical tests show mesh-independent solutions, robustness of the solution procedure for states of severe damage and under cyclic loading conditions. It is demonstrated that the computing time of the gradient damage calculations exceeds the one of purely elastic computations only by an insignificant amount. Furthermore, an improved convergence behavior compared to alternative approaches is shown.


翻译:对梯度固定损害模型提出了一种新的限定要素配方,允许对工程材料和生物材料的损害现象进行稳健、高效和视网目独立的模拟。本文介绍了基于有限菌株的拉格兰倍增效应混合有限要素配方。因此,不需要数字稳定或惩罚参数。另一方面,对于拉格兰梯乘方而言,似乎没有额外的自由度,而拉格兰加方程式是通过允许静态凝聚的适当的FE内插办法实现的。与具有类似效率的文献中竞争性办法相反,拟议的配方不需要交叉要素信息,因此,可以使用标准元素常规界面直接实施。数字测试显示的是视网目独立的解决方案、严重损害状态和周期加载条件下的解决方案的稳健性。事实表明,梯度损害计算计算计算的时间仅比纯弹性计算的时间小于一个微量的计算。此外,与替代方法相比,出现了更好的趋同行为。

0
下载
关闭预览

相关内容

在数学优化中,拉格朗日乘数法是一种用于寻找受等式约束的函数的局部最大值和最小值的策略(即,必须满足所选变量值必须完全满足一个或多个方程式的条件)。它以数学家约瑟夫·路易斯·拉格朗日命名。基本思想是将受约束的问题转换为某种形式,以便仍可以应用无约束问题的派生检验。函数的梯度与约束的梯度之间的关系很自然地导致了原始问题的重构,即拉格朗日函数。
专知会员服务
25+阅读 · 2021年4月2日
最新《Transformers模型》教程,64页ppt
专知会员服务
306+阅读 · 2020年11月26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
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10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
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18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 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013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 · 2009年12月31日
Benign Underfitting of Stochastic Gradient Descent
Arxiv
0+阅读 · 2023年1月12日
Arxiv
0+阅读 · 2023年1月12日
Arxiv
0+阅读 · 2023年1月10日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年4月2日
最新《Transformers模型》教程,64页ppt
专知会员服务
306+阅读 · 2020年11月26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
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10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
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
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 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013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 · 2009年12月31日
Top
微信扫码咨询专知VIP会员