The simulation of fracture using continuum ductile damage models attains a pathological discretization dependence caused by strain localization, after loss of ellipticity of the problem, in regions whose size is connected to the spatial discretization. Implicit gradient techniques suppress this problem introducing some inelastic non-local fields and solving an enriched formulation where the classical balance of linear momentum is fully coupled with a Helmholtz-type equation for each of the non-local variable. Such Helmholtz-type equations determine the distribution of the non-local fields in bands whose width is controlled by a characteristic length, independently on the spatial discretization. The numerical resolution of this coupled problem using the Finite Element method is computationally very expensive and its use to simulate the damage process in 3D multi-phase microstructures becomes prohibitive. In this work, we propose a novel FFT-based iterative algorithm for simulating gradient ductile damage in computational homogenization problems. In particular, the Helmholtz-type equation of the implicit gradient approach is properly generalized to model the regularization of damage in multi-phase media, where multiple damage variables and different characteristic lengths may come into play. In the proposed iterative algorithm, two distinct problems are solved in a staggered fashion: (i) a conventional mechanical problem via a FFT-Galerkin solver with mixed macroscopic loading control and (ii) the generalized Helmholtz-type equation using a Krylov-based algorithm combined with an efficient pre-conditioner. The numerical implementation is firstly validated. Finally, the robustness and efficiency of the algorithm is demonstrated in the simulation of failure of complex 3D particle reinforced composites characterized by millions of degrees of freedom.


翻译:使用连续线条下垂损坏模型模拟断裂后,在问题大小与空间离散有关的区域,在问题大小与空间离散相关区域丧失了伸缩性后,通过神经离析性后,得出了一种病态的离散依赖性。 隐含梯度技术抑制了这一问题,引入了一些无弹性的非局部字段,并解决了一种浓缩的配方,在这种配方中,线性动力的经典平衡与每个非局部变量的Helmholtz型方程式完全结合在一起。 这种Helmholtz型方程式决定了非本地域的分布,其宽度受一个特点长度控制的波段的分布。 使用Finite Element法的这一结合问题的数字解析度在计算上非常昂贵, 3D 3D 模拟损害过程的模拟中, 使用多种稳定的基流压式直径直径直的直方程式 。 以Helmloral-lickral Ral-lickral 的解算法, 将一个不同的常规变压变异的变式变异的变式变式变式变式变式变法 。

0
下载
关闭预览

相关内容

【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
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6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
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1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
Arxiv
3+阅读 · 2017年12月14日
Arxiv
3+阅读 · 2017年10月1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
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6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
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1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