In this work, we bridge standard adaptive mesh refinement and coarsening on scalable octree background meshes and robust unfitted finite element formulations for the automatic and efficient solution of large-scale nonlinear solid mechanics problems posed on complex geometries, as an alternative to standard body-fitted formulations, unstructured mesh generation and graph partitioning strategies. We pay special attention to those aspects requiring a specialized treatment in the extension of the unfitted h-adaptive aggregated finite element method on parallel tree-based adaptive meshes, recently developed for linear scalar elliptic problems, to handle nonlinear problems in solid mechanics. In order to accurately and efficiently capture localized phenomena that frequently occur in nonlinear solid mechanics problems, we perform pseudo time-stepping in combination with h-adaptive dynamic mesh refinement and rebalancing driven by a-posteriori error estimators. The method is implemented considering both irreducible and mixed (u/p) formulations and thus it is able to robustly face problems involving incompressible materials. In the numerical experiments, both formulations are used to model the inelastic behavior of a wide range of compressible and incompressible materials. First, a selected set of benchmarks are reproduced as a verification step. Second, a set of experiments is presented with problems involving complex geometries. Among them, we model a cantilever beam problem with spherical hollows distributed in a Simple Cubic array. This test involves a discrete domain with up to 11.7M Degrees Of Freedom solved in less than two hours on 3072 cores of a parallel supercomputer.


翻译:在这项工作中,我们将标准适应网格改进和粗化连接到可缩放的奥氏树底底底底底部,以及强健不适的固定元素配方,以便自动和高效地解决在复杂地貌上出现的大规模非线性固态机械问题,作为标准体装配、无结构网格生成和图形分割战略的替代。我们特别注意那些需要专门处理的方面,以扩展在平行的基于树的可伸缩性树本底部底部的不适宜 h适应性总总元素方法,最近为线性天平伸缩问题开发的阵列,以处理固体机械的非线性问题。为了准确和高效地捕捉在非线性固态机械问题中经常出现的局部非线性非线性固态固态固态机械问题,我们用假时间步制的配方,结合了由外观误差估计器驱动的 h-适应性动态网格生成和平流体分隔法的精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度精度

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
专知会员服务
159+阅读 · 2020年1月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
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
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
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
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年4月2日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
专知会员服务
159+阅读 · 2020年1月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
相关资讯
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
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
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
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员