Component-wise hyperreduction for nonlinear solid mechanics problems
本文提出了一种用于非线性固体力学的分量级超降阶框架，该框架利用本征正交分解和能量守恒采样来生成可重用、可迁移的降阶构建模块，在不同的装配体、边界条件甚至不同的材料模型下，均实现了高精度和显著的计算效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图预测一个复杂机器（如汽车发动机或桥梁）在弯曲、扭转或在极端压力下振动时的行为。工程师们依赖强大的计算机模拟来进行这项工作，将物体分解成数百万个微小的碎片，以计算力如何在其中传递。虽然这种计算非常精确，但过程极其缓慢且昂贵，通常需要在超级计算机上运行数天。为了提高速度，科学家们开发了简化数学的方法，创建了“简化”模型，这些模型捕捉了本质行为，而无需计算每一个数字。然而，一个主要的障碍仍然存在：这些简化模型通常是为一种特定的形状和一组特定的条件而构建的。如果改变了形状、材料或物体的固定方式，旧的模型往往会失效，迫使工程师重新开始这个缓慢的过程。
挑战在于创建一个可以像乐高积木一样进行混合与搭配的简化构建块库，使其无论如何组装或面临何种力量都能可靠运行。这正是来自亚琛工业大学（RWTH Aachen University）和埃尔朗根-纽伦堡大学的研究团队所解决的核心问题。他们开发了一种新方法，为由高度可拉伸和变形材料（如橡胶或软金属）制成的固体物体创建可重用的简化组件。他们最近发表的研究表明，通过对单个部件进行单独训练，就可以成功地将该模型应用于更大型、更复杂的组合体中，即使材料属性或物体的受力方式发生变化也是如此。
研究人员专注于一种称为“超缩减”（hyperreduction）的技术，这是一种让简化模型运行得更快的手段。通常情况下，即使是简化模型仍需要观察物体的每一个微小部分来计算力，这会让计算机处于忙碌状态。超缩减通过智能地选择一小部分关键的碎片进行评估，同时在数学上估算其余部分，从而解决了这个问题。团队在这些部件被组合在一起之前，就将这一思想应用于大型结构的单个部件。他们使用了一种称为“本征正交分解”（Proper Orthogonal Decomposition）的方法，来学习单个部件运动和变形的最重要方式，从而创建其行为的紧凑“指纹”。为了确保这些指纹在与其他部件连接时保持准确，他们加入了特殊的数学规则，以解释整个部件的刚性运动（例如旋转或滑动），这些运动与部件实际的弯曲或拉伸是有区别的。
他们方法中的一个关键创新在于如何处理这些部件之间的连接。当两个物体在模拟中绑在一起时，它们的表面必须完美同步运动，即使用于描述它们的微小碎片网格并不完全匹配。研究人员使用了一种先进的绑定方法，允许这些不匹配的表面实现无缝连接。随后，他们通过让单个部件在各种边界条件下进行训练，有效地教会了计算机该部件在被拉伸、挤压或扭转时的表现。至关重要的是，他们发现通过从训练数据中剔除简单的刚性运动，并纯粹专注于变形，模型变得更加准确。他们还发现，少量源自几何旋转的额外数学模态，足以描述大幅度的旋转，而不会导致模拟中物体形状的畸变。
测试结果令人瞩目。在涉及这些组件的大型组合体模拟中，简化模型预测全系统的行为误差低于 1%。实现这种高精度时，计算机评估的元素总量不到总数的 10%，从而实现了巨大的加速。在一次特定测试中，该方法比标准的、全规模的模拟运行速度快了 12 倍以上。或许最令人印象深刻的是，团队展示了这些仅针对简单弹性材料进行训练的简化组件，能够成功预测一种更复杂的、具有随时间变化的特性（表现得像一种粘稠、有弹性的流体）的材料的行为。即使材料参数发生变化，或者物体受到动态振动的影响，预训练的构建块依然能够保持稳健，证明了其可迁移性。
这项研究表明，这种基于组件的方法可以改变工程师模拟复杂非线性系统的方式。工程师们不再需要为每一次新的设计迭代构建一个新的、缓慢的模型，而是可以潜在地从一个经过预验证的、超缩减部件的库中组装出一个系统。这将允许快速测试不同的配置、材料和加载场景，而不会受到目前限制此类探索的极高计算成本的影响。虽然该方法仍需要访问底层的模拟代码，且目前仅限于特定类型的问题，但这种数字构建块可以在不同组合和材料行为之间重复使用的演示，标志着使复杂的非线性力学实时模拟成为现实迈出了重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。