首页/文章/ 详情

颗粒力学(particulate mechanics)最新研究进展

10月前浏览370
文一:
 

从运动分子簇到连续体:作为开放系统的物质单元

摘要:

我们讨论了描述物质时从离散到连续的转变,从一团质量相等的流动分子开始,到一个非简单流体结束。我们考虑了在空间窗口内分子速度分布的局部仿射近似之外的波动,用于计算一些显著的统计数据。所得到的连续体图片说明了与连续体尺度中的一个点相对应的每个空间窗口中的局部质量变化。从统计学的角度来看,每个物质元素都被认为是一个大正则系综。所谓的C导数解释了宏观到介观的相对运动。当考虑二阶张量时,它们扩展了Truesdell的导数,并在宏观到介观相对运动消失时降为Oldroyd的导数。超过最接近动能的仿射分量的波动被总结为二阶对称张量,其时间变化进入控制从速度波动到热的传递的平衡方程。最后,我们讨论了在当前环境下热力学的基本要素。出现的是非傅立叶型热传递的可能性。这些结果解决了稀疏相动力学的场表示的计算方案,如颗粒材料,以及具有散射分子传输的物体,如流体中的污染物或生物组织中的蛋白质

 

图:稀疏的相位(特别是小麦的流动)和放大的空间窗口。

 

图:空间窗口中与点相关的分子簇𝑥 在连续体中。箭头证明了这种簇团的奇异速度𝑤 以及平均速度𝑣 。

文二:

 

基于连续介质力学的沥青混凝土力链三维识别与表征

摘要:

基于颗粒力学,已经对颗粒组件内发生的力链进行了广泛的研究;然而,由于缺乏识别标准,沥青混凝土中粗骨料分散在粘弹性沥青砂浆基体中,对其识别和表征的研究仍然非常有限。提出了一种基于三维有限元模拟的方法,从连续介质力学的角度识别和表征沥青混凝土的力链。沥青砂浆基体内的应力集中区被视为粗集料之间的主要荷载传递区。MLR是通过局部检测方法确定的,该方法检查沥青砂浆元件在其局部区域是否受到高度应力。然后,如果发现其有效接触面积,即与骨料单元共享节点的沥青砂浆单元同时包含MLR,则确定荷载传递骨料,从而能够进行力链识别。测定了几种三维沥青混凝土细观结构中的压缩力链,并对其进行了定量表征。结果表明,该方法能有效地识别沥青混凝土中的力链,并能利用其特征对骨料骨架进行定量评价。

 

图:通过RBAG方法建立沥青混凝土细观结构的概念过程。

 

图:沥青混凝土的中尺度有限元模型。

 

图:提出的局部检测方法的流程图。

 

图:力链识别流程图。

 

图:沥青混凝土的次要主应力分布:(a)沥青砂浆;(b) 粗骨料;(c) 沥青混凝土的部分,其中骨料和可能传递高压缩力的几组骨料之间的一些高应力区域被标记。

 

图:次要主应力和潜在压缩力链的方向。

 

图:不同次主应力的 MLR 累积百分比。

 

图:沥青混凝土细观结构的几何接触点。

文三:

 

弹塑性颗粒随机组装中接触粘附的数值模拟

摘要:

粉末压块抗拉强度性能的预测仍然是一个重要的工业问题。特别地,粉末压实过程的主要问题之一是压块的失效。事实上,一些粉末压块在压实过程中会出现裂纹。这种缺陷是由于局部的拉伸或剪切应力,例如接近几何奇点而发生的。它们还与粉末在颗粒之间的接触处产生足够粘附力以承受拉伸应力的能力有关。因此,裂纹是在颗粒尺度及以下,直至分子尺度上发生的现象的结果。为了帮助理解这一机制,使用有限元软件套件Abaqus开发了一种称为多粒子有限元法的粒子尺度数值方法(Abaqus 6.14 Documentation,2016)。这种方法允许对理想化为弹塑性球体组件的颗粒介质的微观结构进行明确建模。使用基于连续介质力学的材料模型,对颗粒进行网格划分,以充分考虑其变形。使用有限元接触公式来管理颗粒之间的相互作用。在文献的基础上开发了一个多尺度的粘性接触模型,并将其实现为多粒子有限元代码。接触模型基于由Pullen和Williamson(1972)开发的粗糙度模型加权的表面能公式。它介绍了一个新的方面,即在外部机械载荷作用下粘附力的发展,这与冷压实过程相一致。然后将该模型应用于预测球体堆积的细观特性,即其对任何类型的机械应力的响应,特别是强偏应力路径。这种方法旨在帮助开发用于粉末压实过程建模的有效连续体模型。

 

图:根据本接触模型的粘合剂接触的加载/卸载顺序:(a)表面正在接近;(b) 建立了接触,随着微凸体的变形而形成粘附;(c) 达到最大压缩法向应力;(d) 卸载是有粘性的。

 

图:有限元网格用于验证所开发的接触定律。

 

图:用于研究理想颗粒填料平均力学性能的数值组合。基本体积显示为深灰色,用于应用边界条件的周围层显示为浅灰色。

 

图:确定屈服面的方法。

 

图:与相对密度的各向同性载荷相关的屈服面的确定。

文四:

 

GeoTaichi:一个用于多尺度地球物理问题的Taichi高性能数值模拟器

摘要:

本研究介绍了GeoTachi,一种开源的高性能数值模拟器,旨在解决多尺度地球物理问题。通过利用Taichi并行语言的强大功能,GeoTaichi最大限度地利用了多核CPU和GPU架构上的现代计算机资源。它为离散元法(DEM)、材料点法(MPM)和耦合材料点离散元法提供了稳健可靠的模块。这些模块能够在纯Python中实现的同时高效地解决大规模问题。GeoTachi的设计理念专注于创建一个可读、可扩展和用户友好的框架。本文重点介绍了MPDEM的耦合过程、编码结构以及GeoTachi的最重要特征。为了验证GeoTachi的有效性和稳健性,我们进行了严格的基准测试。此外,将GeoTachi的性能与该领域的类似软件工具进行了比较,强调与现有替代方案相比,计算效率和内存节省都有显著提高。

 

图:物质点法的计算域。

 

图:圆形和三角形之间相互作用面积的计算。(a)中的阴影面积等于(b)、(c)和(d)中阴影面积的总和。当逆时针方向被视为正时,(b)和(c)的面积为正,而(d)的面积则为负。

 

图:耦合材料点离散元法中的接触检测。黄色和灰色虚线圆分别显示DEM粒子和材质点的截止距离。

 

图:邻近搜索(a)DEM和(b)MPDEM。相邻的单元格用粗线在视觉上高亮显示,离散粒子和材质点的截止距离分别用黄色和灰色圆圈表示。

 

图:(a) 散列网格上随机定位的粒子的图示,以及(b)粒子单元列表和(c)压缩的潜在联系人列表的构建。

 

图:物质点耦合离散元法的计算流程。

 

图:显示颗粒撞击颗粒床过程的2D切片。

 

图:包含600,000个粒子的堆形成: (a)初始状态和(b)最终状态。

 

图:颗粒柱坍塌和冲击堆叠立方体盒子的初始几何形状和垂直应力分布。

 

图:不同时间条件下倒塌颗粒柱和堆叠立方体盒之间的相互作用。

 

图:所选方框的(a)平移和(b)旋转的演变。

文五:

 

颗粒材料中声传播的孔隙弹性模型

摘要:

颗粒材料的动力学研究已经进行了多年,然而,它们最近因其对声激励的独特响应而引起人们的关注,从而在声学、噪声和振动控制中具有潜在的应用。例如,沸石和活性炭等多孔颗粒已被应用于增强扬声器在低频下的性能。对这些材料的声学行为的可靠预测需要准确的表征,这可以从实际的角度通过进行驻波管测量来实现。但是,为了帮助解释这些类型的测量,在本文中,将Biot-poro弹性理论应用于描述堆叠在圆柱形样品支架中的颗粒中的声音传播,如驻波管中的声音。本工作的独创性是对Biot模型的扩展,以适应在多个层面上多孔的颗粒活性炭(GAC)等材料,以及结合杨森模型和赫兹接触理论预测的颗粒材料的深度相关刚度的有限差分(FD)实现。将模型预测与GAC和轻质玻璃气泡堆的测量结果进行了比较,模拟结果与材料吸收的测量特征准确匹配。

 

图:矩形计算域的图示。蓝色的上部表示颗粒材料上方的空气柱,由矩形的下部表示。

 

图:不同固相边界条件下FD模拟与一维分析模型预测的比较。

 

图:(a) 带有原始样品支架的阻抗管;以及(b)具有丙烯酸样品支架的阻抗管。

 

图:测试系统的示意图。

 

图:具有拟合参数的刚性模型预测与标称颗粒厚度的吸声系数测量平均值的比较:(a) 10毫米;(b) 20毫米;(c) 30毫米;(d) 40毫米;(e) 50毫米;(f) 60毫米;(g) 70毫米(小时)80毫米。

来源:STEM与计算机方法
Abaqus振动pythonUM声学离散元裂纹理论自动驾驶材料多尺度数字孪生控制人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-11-01
最近编辑:10月前
江野
博士 等春风得意,等时间嘉许。
获赞 58粉丝 96文章 153课程 0
点赞
收藏
作者推荐

机器学习与力学控制:智能颗粒、裂纹反演、本构关系

文一: doi:10.6052/0459-1879-21-402复杂流动中的智能颗粒游动策略研究进展摘要:智能颗粒定义为可以根据环境的变化而主动调整自身在流场中运动的颗粒,一般用于描述微小的游动物体,如微生物、浮游生物和微纳机器人。由于颗粒运动学特性和流场环境的复杂性,探索智能颗粒的运动策略是一项具有现实意义与挑战性的研究。近期强化学习算法被应用于智能颗粒的运动策略研究,并取得一定进展。本文将讨论强化学习在智能颗粒研究中的应用,并介绍浮游生物运动策略的相关研究进展,包括适用于海洋浮游生物的游动颗粒模型,以及强化学习的基本原理和此类问题的研究框架。海洋浮游生物的昼夜垂直迁移对其生存和繁衍至关重要,生物学研究表明某些浮游生物可感知周围的流场信息,但能否利用这些信息提高垂直方向游动效率仍是一个未知的问题。基于这一背景,相关研究考虑了重力沉降和颗粒形状对浮游生物垂直游动策略的影响。研究发现细长的颗粒能够更加高效地垂直向上运动,而重力沉降则导致智能游动策略发生较大变化。在此基础上,后续研究进一步考虑了局部流体信号的作用,并讨论了基于局部信息在全局坐标系中定向运动的可能性。当颗粒只能感受到局部流体信号时,必须破坏动力学系统的对称性,否则颗粒无法学到有效的垂向游动策略。此外,研究还发现强化学习能够利用流体信号背后的机制,得到颗粒在二维定常流动和三维非定常湍流中高效垂直运动的策略。这些智能游动策略依赖于本质的物理规律,因此这些策略在更加复杂或真实的流动中也可能有优秀的表现。关键词:智能颗粒,强化学习,浮游生物,垂直迁移 图:(a)智能颗粒示意图。x-y-z为全局坐标系,n-p-q为颗粒局部坐标系。(b)强化学习原理示意图 图:智能颗粒垂直运动速度随形状和重力沉降作用的变化。颗粒速度以流动的特征速度无量纲化。RL:强化学习得到的智能策略,naive:简单策略,settle:考虑沉降作用 图:(a)智能颗粒在二维Taylor-Green旋涡流动中的运动轨迹。红点表示颗粒的初始位置,背景为涡量云图。(b)智能颗粒与非智能颗粒当地流体垂直方向速度4,的概率密度分布(PDF)文二: doi:10.6052/0459-1879-21-360基于SBFEM和深度学习的裂纹状缺陷反演模型摘要:结构内部缺陷的识别是结构健康监测的重要研究内容,而当前以无损检测为主的结构安全检测多以定性分析为主,定量识别缺陷的尺度较困难。本文将比例边界有限元法(scaled boundary finite element methods,SBFEM)和深度学习相结合,提出了基于Lamb波在结构中传播时的反馈信号定量识别结构内部裂纹状缺陷的反演模型。通过随机生成缺陷信息(位置、大小),采用SBFEM模拟Lmb波在含不同缺陷信息的结构中的信号传播过程,SBFEM仅需对结构边界离散可最小化网格重划分过程,大大提高了计算效率。Lmb波在含裂纹状缺陷结构中传播时观测点的反馈信号包含大量的裂纹信息,基于这一特性可为深度学习模型提供足够多的反映问题特性的训练数据。建议的缺陷反演模型规避了传统反分析问题的目标函数极小化迭代过程,在保证计算精度的前提下大大减少了计算成本。对含单裂纹和多裂纹板的数值算例进行分析,结果表明:建立的缺陷识别模型能够准确地量化结构内部的缺陷,对浅表裂纹亦有很好的识别效果,且对于含噪信号模型仍具有较好的鲁棒性。关键词:无损检测,比例边界有限元法,深度学习,反分析问题,缺陷识别,裂纹 图:比例边界有限元S域和S单元示意图 图:深度学习网络结构图 图:单缺陷板几何尺寸及SBFEM边界离散 图:多裂纹测试集反演结果图(续)文三: doi:10.6052/0459-1879-21-334基于人工神经网络的非结构网格尺度控制方法摘要:网格自动化生成和自适应是制约计算流体力学发展的瓶颈问题之一,网格生成质量、效率、灵活性、自动化程度和鲁棒性是非结构网格生成的关键问题。在非结构网格生成中,网格空间尺度分布控制至关重要,直接影响网格生成质量、效率和求解精度。采用传统的背景网格法进行空间尺度分布控制需要在背景网格上求解微分方程得到背景网格上的尺度分布,再将网格尺度从背景网格插值到真实空间点,过程十分繁琐且耗时本文从效率和自动化角度提出两种网格尺度控制方法,首先发展了基于径向基函数(RBF)插值的网格尺度控制方法,通过贪婪算法实现边界参考点序列的精简,提高了RBF插值的效率同时,还采用人工神经网络进行网格尺度控制,初步引入相对壁面距离和相对网格尺度作为神经网络输入输出参数,建立人工神经网络训练模型,采用商业软件生成二维圆柱和二维翼型非结构三角形网格作为训练样本,通过训练和学习建立起相对壁面距离和相对网格尺度的神经网络关系。进一步实现了二维圆柱、不同的二维翼型的尺度预测,RBF方法和神经网络方法的效率与传统背景网格法相比提高了5~10倍,有助于提高网格生成的效率。最后,将方法推广应用于各向异性混合网格尺度预测,得到的网格质量满足要求。关键词:人工神经网络,网格生成,网格尺度,背景网格法,径向基函数 图:圆柱算例点源设置及网格生成情况 图:RBF网格变形方法 图:ANN模型各向同性网格预测结果文四: doi:10.6052/0459-1879-21-312基于深度强化学习算法的颗粒材料应力-应变关系数据驱动模拟研究摘要:颗粒材料的宏观力学行为受颗粒组分等材料参数,孔隙率、配位数等状态参数的影响,同时又具备复杂的加载路径和加载历史相关性,建立包含多个内变量以及各变量间相互关联的颗粒材料本构模型是一个重要的科学难题。不同于传统的基于屈服面、流动法则和硬化函数框架下的唯象本构模型,本文基于颗粒物质力学的研究基础,以颗粒材料平均孔隙率、细观组构参数和弹性刚度参数作为内变量,结合深度学习方法建立以有向图表征的数据本构模型。有向图中以不同的链接网络表示不同的内变量信息流动方向,各个内变量间的映射关系采用循环神经网络来建立,将各个神经网络相互组合,形成包含不同内变量且具有不同预测能力的本构模型。该本构模型的建立过程等价于在众多可能的内变量链接关系空间中寻找最能描述实际材料宏观应力应变行为的优化问题。因此,可将有向图本构模型的建立过程看作“马尔可夫决策过程,采用深度强化学习算法构建有向图的内变量链接组合优化过程,具体采用AlphaGo Zero算法自动寻找最优的颗粒材料数据驱动本构模型建模路径。研究结果表明,采用有向图和深度强化学习算法可建立起完全依靠“数据驱动”的颗粒材料应力一应变关系。此外,本方法提供了一种将不同理论模型从数据角度统一起来,且基于人工智能算法发展更优模型的研究思路,可为相似问题的研究提供借鉴。关键词:颗粒材料,应力-应变关系,离散元法,深度强化学习,有向图 图:有向图表示的两种本构关系 图:一次完整的有向图本构关系建立过程 图:AlphaGo Zero实现的自主学习过程 图:三轴数值试样 图:等b加载下“数据”本构模型预测比较文五: doi:10.6052/0459-1879-21-313基于离散单元法和人工神经网络的近壁颗粒动力学特征研究摘要:颗粒与壁面的相互作用往往对颗粒流动具有显著影响。为研究颗粒与壁面作用机理,对滚筒内颗粒流动过程进行离散单元法(DE)数值模拟。基于模拟结果统计分析靠近壁面处颗粒的运动特征,结果表明,小摩擦系数时颗粒平动和旋转速度均近似满足正态分布,但由于壁面影响,摩擦系数增大时颗粒沿滚筒轴向的旋转速度偏离正态分布,颗粒动力学理论推导壁面边界条件时应考虑速度正态分布的修正及速度脉动的各向异性。采用人工神经网络(ANN)构建了颗粒无因次旋转温度、滑移速度和平动温度之间的函数模型,进而可以在常规双流模型壁面边界条件中考虑颗粒旋转的影响。基于DEM模拟及结果分析可以为壁面边界条件的理论构造和半经验修正提供基础数据和封闭模型。 图:滚筒内的颗粒分布 图:切向速度与实验数据的比较 图:近壁颗粒平动速度分布 图:无因次旋转温度的模型预测与DEM统计结果对比来源:STEM与计算机方法

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈