首页/文章/ 详情

One Code, One Model | 一文详解显式有限元鼻祖Ansys LS-DYNA

11月前浏览1081


“据统计,全球超过80%的汽车制造商将LS-DYNA作为首选碰撞分析工具,90%的一级供应商使用该工具。”

 

LS-DYNA是LSTC公司的旗舰产品,专注于计算速度和精度,数十年来一直是汽车行业耐撞性和乘客安全仿真的黄金标准,其擅长仿真材料在承受短时高强度载荷时的响应,如碰撞、跌落以及金属成型过程中发生的情况。


Ansys LS-DYNA应用领域

 

显式有限元鼻祖


LS-DYNA程序系列,最初是1976年在美国Lawrence Livermore National Lab.由J.O. Hallquist博士主持开发完成的,后经1979、1981、1982、1986、1987、1988年版的功能扩充和改进,成为国际著名的非线性动力分析软件,在结构设计、弹道设计、材料研制等方面得到了广泛的应用。


1988年J.O. Hallquist博士创建LSTC公司,推出LS-DYNA程序系列,主要包括显式LS-DYNA2D、LS-DYNA3D、隐式LS-NIKE2D、LS-NIKE3D、热分析LS-TOPAZ2D、LS-TOPAZ3D,前后处理LS-MAZE、LS-ORION、LS-INGRID、LS-TAURUS等商用程序,进一步规范和完善DYNA的研究成果,陆续推出930版(1993年)、936版(1994年)、940版(1997年),并增加了汽车安全性分析(汽车碰撞、气囊、安全带、假人)、薄板冲压成型过程模拟,以及流体与固体耦合(ALE和Euler算法)等新功能,使得LS-DYNA程序系统在商业领域的应用范围进一步扩大,并建立了完备的质量保证体系。



1997年LSTC公司将LS-DYNA2D、LS-DYNA3D、LS-TOPAZ2D、LS-TOPAZ3D等程序合成一个软件包,称为LS-DYNA。2001年5月推出960版,它在950版基础上增加了不可压缩流体求解程序模块,并增加了一些新的材料模型和新的接触计算功能,从2001年到2003年初LSTC公司不断完善960版的新功能,并于2003年3月正式发布970版。

 

冲破樊篱——Multiphysics, 

One Code, One Model


2008-2011年期间,隐式功能可以使用大规模并行计算,至此,LS-DYNA嵌入可扩展的隐式求解器。LS-DYNA隐式和显式算法可以使用相同的单元和材料进行建模,因此可以使用一个模型进行静力学和动力学分析。分析中,隐式和显式可以无缝切换,提升了仿真的应用水平。该求解器具备隐式线性和非线性算法,可以解决静力问题和动力学问题。


除了隐式解决方案的进展之外,现在还有许多其他新的功能。2012-2013年期间发布LS-DYNA R7.0,新增了三个求解器:EM,CESE和ICFD,以及用于支持后两个求解器的体网格生成器,完成了多物理耦合的完整解决方案。


近年来,LSTC研发团队也从几十人发展到了100多人,推出了从R8~R12版本,几乎每年推出一个新版本。在隐式计算、S-ALE流固耦合计算、DEM离散元、NVH分析、SPH粒子法、SPG无网格法、ICFD不可压缩流体及流固耦合计算、CESE高速可压缩流体计算、电磁场(EM)计算、Peri-Dynamic算法等领域,尤其有快速的进步与发展。以下列举的是部分LS-DYNA支持的不同分析类型和方法:

  • 任意拉格朗日欧拉方法

  • 不可压缩流体动力学

  • 守恒元/求解可压缩流体

  • 离散单元法

  • 电磁学

  • SPG无网格伽辽金方法

  • S-ALE流固耦合

  • 隐式仿真

  • NVH分析

  • SPH粒子法

  • 热传导

  • 近场动力学

 

S-ALE求解器与ALE完全相同,但S-ALE在实现上是独立于ALE而全新开发的,网格的简单与单一性也使得程序变得简洁与易维护,简洁的程序又反过来提高了运行的效率。


LS-DYNA频域分析(FDA)模块用于工程仿真和分析中进行频域模拟。它为客户关注的行业,提供振动、噪音和结构耐久性的解决方案,例如车辆的NVH(噪音,振动和平顺度)以及金属结构和部件的耐久性,这种分析对于车辆和其他结构的舒适性,安全性和完整性至关重要。


SPH法,作为一种无网格拉格朗日的粒子方法,有着它自身的优点。作为无网格方法,它可以自然处理极端变形,移动边界,自由表面和可变形边界。作为拉格朗日方法,物质点的物理变量随时间的变化可无需特殊处理而被轻易提取;自由表面和移动边界,以及物质界面的边界条件也自然满足。作为粒子方法,它可以自然地运用接触算法来处理流体和固体间的相互作用。


SPG无网格方法是基于直接点积分(Direct Nodal Integration) 的迦辽金算法。直接点积分的不稳定性问题在SPG方法中用光滑位移理论 (Displacement Smoothing Theory) 进行了处理,这使得该方法稳定性好、精度高。相比于传统高斯积分的无网格法,其效率又因为直接点积分得到了一定的提升。


不可压缩流的计算模块(ICFD Solver),一开始就被设计为一个可以提供准确性,以及具有可扩展性的流体力学及多物理求解器,同时,可以简单地与LS-DYNA其他物理模块整合起来。ICFD持续的发展重心放在了与新模块整合、耦合算法的改良、计算效率的增进、以及考虑到非计算流体力学或固体力学背景的使用者,其耦合计算时,步骤也非常简单。


可压缩流的计算模块(CESE Solver),该模块采用的是计算流体力学中一种新的数值计算方法,即守恒元/解元(CE/SE)方法,也称时-空守恒格式。该方法与传统计算方法相比有许多独特的优点。该方法采用了一种简单而有效的激波捕捉技术,不像许多传统方法那样需要求解黎曼问题。它把流体守恒变量及其空间偏导数都作为变量来同时进行求解,从而使其比同类格式的计算精度更高。


电磁场计算模块(EM Solver),该模块求解的是涡电流(诱导-扩散)逼近下的麦克斯韦方程组,它主要适用于当电磁波在空气或真空中的传播可以看作是在瞬间完成的,进而波的传播过程无需求解的情形。该EM模块已与固体结构分析程序及固体传热程序进行了耦合。在电磁场的求解过程中,它对导体采用的是有限元方法(FEM),而对周围的空气及绝缘体采用的则使用边界元方法(BEM)。


键型近场动力学(Bond-Based Peridynamics),是最近十几年兴起的,模拟脆性材料裂纹扩展和结构破坏行为的新型非局部理论。针对传统键型近场动力学的局限性,例如特殊的位移边界条件施加方法和均匀网格要求,LS-DYNA利用非连续伽辽金理论构建了针对键型近场动力学的虚功控制方程,在有限元法的框架内实现了该理论。该方法在汽车挡风玻璃、水泥构件、脆性塑料构件的破坏模拟中得到广泛应用。

 

Ansys与LSTC


Ansys与LSTC公司已是多年的合作伙伴。1996年首次发布Ansys LS-DYNA,2013年LS-DYNA与Ansys Workbench集成,工程师使用熟悉的Workbench用户界面就能轻松开展LS-DYNA仿真。Ansys Workbench与LS-DYNA的结合帮助显式动力学仿真得到扩展,超越了某个专业领域龙头的范畴。同时,开展多物理场仿真所需的计算资源成本更低,使得LS-DYNA的可扩展性能够应用到自由度越来越高的模型上。


在2019年收购LSTC后,Ansys能更加深入地集成LS-DYNA的显式动力学求解器,该代码来源于使用显式时间积分的高度非线性、瞬态动力学有限元分析(FEA)方法,可以帮助不同熟练度的工程师更轻松地求解瞬态动力学问题,例如汽车碰撞、鸟撞飞机和爆炸等。Ansys与LS-DYNA求解器相结合的仿真解决方案有助于工程师详细了解此类事件中发生的非线性现象。

 

不断强大的Ansys LS-DYNA功能


Ansys LS-DYNA提供了可以在Ansys Mechanical环境中使用的前、后处理工具,包括自动网格划分功能和定义材料、接触、载荷和边界条件的功能。工程师无需离开直观的Ansys Workbench环境,就能对准备进行显式分析的CAD几何结构开展参数化研究。Ansys LS-DYNA、Workbench用户可以使用Ansys SpaceClaim进行几何结构建模以及双向的计算机辅助设计 (CAD)连接。


Ansys LS-DYNA中可提供一系列精确的实体、壳和梁的低阶和高阶元公式。这些单元可以通过Ansys Mechanical界面应用到每个部件上,这样工程师就能将高保真度单元仅放置到需要节省时间的区域。不同部件之间、部件内和单个元素内的接触可以自动检测。


使用Ansys Mechanical和LS-DYNA的工程师和仿真分析师发现,与Workbench集成能够缩短他们的求解时间。这种速度提升部分源自于LS-DYNA的并行计算,该计算可以从台式计算机扩展到使用Linux、Windows和UNIX的数千个处理器集群。此外,Ansys LS-DYNA用户还能受益于Ansys Mechanical中的内在工作流程效率和易用性。


如今,几乎所有类型的工程师,都能够使用Ansys LS-DYNA仿真来研究涉及严重材料变形或失效的产品行为。该软件便于研究部件之间的相互作用,让用户能够轻松评估部件和装配体的综合行为,或组成更大系统的产品行为。自行车头盔撞击路面、含有破碎叶片碎片的涡轮发动机、国防设备对爆炸的反应、水电大坝在地震中摇晃或服务器撞击地板,都是利用LS-DYNA研究相互作用的例子。严重材料变形行为可能发生在安全气囊部署和液压成形过程中的金属弯曲等许多物理问题有关。使用Ansys LS-DYNA可以分析的瞬态和接触问题有成千上万。

 

经渲染后的LS-DYNA碰撞仿真(渲染图片由EdHelwig提供)

 

碰撞测试后的车辆。仿真可用于最大限度地减少所需的物理测试数量(图片由美国国家高速公路交通管理局提供)

 

除了研究部件的相互作用,Ansys LS-DYNA还可提供鲜为人知但非常强大的功能,解决难以通过物理测试进行评估的强耦合多物理场问题。该软件的显式和隐式方法可以用相同模型仿真静态和动态问题。之所以可以开展这些仿真,是因为LS-DYNA求解器能够用一个求解器处理多阶段、多尺度、多物理场问题,比如电动车电池的内部短路行为、高尔夫球棒击球的噪声、振动和粗糙度、汽车轮胎驶过水池的飞溅和打滑行为,甚至主动脉人工心脏瓣膜在血液泵送通过时的复杂启闭行为。

 

起搏器→生物电→心室瓣膜→血液流动

 

LS-DYNA与Ansys Workbench的深入集成,将有助于优化多物理场产品设计和研发工作流程,以便充分利用电气化、自动驾驶汽车和5G等颠覆性技术,因为这些技术将继续从汽车、航空航天和通讯行业向外扩展,几乎进入到各个行业。更大规模、更复杂的问题需要速度更快、更易获取的解决方案,而这正是Ansys收购LSTC后为客户所能提供的解决方案。Ansys收购LSTC后,双方的客户都期望实现更深入的技术集成。随着Ansys进一步将LS-DYNA集成到Workbench中,客户可以确保他们将处于公司决策流程的核心位置。

 

参考资料:

  1. Ansys通过收购LSTC扩展高级多物理场仿真的应用范围,作者:SiddarthShah,Ansys结构部首席项目经理

  2. 近十年LS-DYNA主要功能发展及更新(R8至R11),学研谷,https://stuch.cn/article/386,作者:traveler(网名) 

来源:艾迪捷
SpaceClaimMechanicalLS-DYNAWorkbench静力学瞬态动力学振动显式动力学碰撞航空航天汽车裂纹理论自动驾驶材料NVHANSYS
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:2025-09-08
最近编辑:11月前
艾迪捷
MBD CAE解决方案专家
获赞 21粉丝 42文章 623课程 4
点赞
收藏
作者推荐

人工智能 | IDAJ带您探索最具前景的深度学习模型——生成对抗网络(GAN)

摘要 生成式对抗网络(GAN, GenerativeAdversarial Networks )是一种深度学习模型,是近年来深度学习研究中最具前景的方法之一。模型通过构建两个模块:生成器(Generator)和判别器(Discriminator)的互相博弈学习产生高质量的图片输出,解决了图片生成的难题。本文将介绍生成对抗网络基本的工作原理,以及在工业设计领域的一些应用。 介绍近年来,深度学习技术的发展有了长足的进步,相比于传统机器学习技术需要人为设定特征提取方法,而深度学习技术凭借更大的容量,可以自行学习特征提取而无需人工干预。 见图1。 图1. 深度学习和机器学习的区别 常见的深度学习算法所训练的模型对于给出标量等数据有很好的效果,但是在给出高维张量并使得该张量组成的数据有意义的情况下,却做的不是很好,例如输出高质量的图片、音频以及视频。在这个方面基于生成对抗网络(GAN)所训练的模型就能生成出非常逼真的照片,图像甚至视频。 说明下面将详细介绍生成对抗网络(GAN)的设计基本原理。生成对抗网络(GAN)由2个重要的部分构成,结构见图2:1. 生成器(Generator):通过生成器模型生成数据(大部分是图像),目的是“骗过”判别器;2. 判别器(Discriminator):判断收到图像是真实的还是生成器生成的,目的是找出生成器做的“假数据”图2. 生成对抗网络的结构下面详细介绍一下过程:第一阶段:固定「判别器D」,训练「生成器G」;让一个「生成器G」不断生成“假数据”,然后给这个「判别器D」去判断。一开始,「生成器G」的能力很弱,所以很容易被判别器识别出来。但是随着不断的训练,「生成器G」的能力不断提升,最终可以骗过了当前的「判别器D」。到了这个时候,「判别器D」的能力不足以给出判断,断是否为假数据的概率为50%。第二阶段:固定「生成器G」,训练「判别器D」,在这一阶段,继续训练「生成器G」已经没有意义。这时需要固定「生成器G」,然后开始训练「判别器D」。通过不断的给入真实的数据和「生成器G」生成的假数据,来训练「判别器D」提高了鉴别能力,最终可以准确的判断出所有的假图片。到这个时候,「生成器G」已经无法骗过「判别器D」。循环阶段一和阶段二,通过反复的迭代,「生成器G」和「判别器D」的能力都越来越强。最终得到了一个效果非常好的「生成器G」,我们就可以用它来生成我们想要的图片或者其他数据了。GAN结构的优势在能训练任何一种生成器网络,而其他的框架需要生成器网络有一些特定的函数形式。而GAN结构的问题在于训练困难,不稳定。生成器和判别器之间需要很好的同步,而在实际训练中很容易导致生成器的梯度消失,或者导致生成器只生成重复但“安全”的样本,使得多样性变差。通过给数据样本增加噪声以及通过变更分布评价的方法可以一定程度改善训练的情况,但是总体来说使用GAN这一方法,还是很依赖于工程人员对于模型以及工程问题的理解。 应用下面介绍一些基于生成对抗网络结构的应用,通常来说,生成对抗网络虽然可以生成清晰的图片,但是图片输出的内容难以控制。这里为了输出期望的图片内容,需要在模型训练时加入控制的条件,这个结构叫做cGAN。图3为基于cGAN结构训练的模型用来做内燃机喷雾预测的案例,通过给定不同的输入条件,模型可以实时输出对应的喷雾形状分布。与实际的分布情况对比发现,趋势基本一致。图3. 内燃机燃油喷雾预测案例将训练好的模型打包并通过二次开发封装,可以把训练好的模型做成实际可用的工具。图4为基于上述模型开发而成的燃油喷雾预测工具互动界面,其中使用人员可以通过调整右侧的工具条来获得实时对应的喷雾输出情况,像这样类似的工具可以有效的协助设计人员提升效率。图4. 内燃机燃油喷雾预测交互界面上述应用案例的输入为给定的分布或数字,而在某些实际的应用中,希望通过研究不同的输入的图形而给出对应的输出的图形。在这种情况下,需要模型结构可以读取图片而给出相应的图片。实现这种条件需要用到一种结构叫做pix2pix,pix2pix结构是GAN模型的变形,可以把一张图片转换为类似的图片。非常适合用来计算不同结构形状所对应的输出参数分布。图5的案例为给定不同形状的电机转子,通过pix2pix模型训练后,用来预测对应形状磁通量分布的例子。如果训练的情况良好,生成的模型可以实时给出精度很高的预测结果,从而替代大量的CAE计算。图5. 电机转子磁通量分布预测案例上述的案例输出的图像为一个三维的张量,如果对于输出的图片增加一个时间维度,便可以输出一系列基于时间变化的图片组,从而生成一段视频。如图6所示。图6. 电子转子磁通量分布预测总结通过上述的案例可以发现,生成对抗网络的技术可以替代常规的CAE仿真计算,为工业设计人员提供快速的结果参考,从而帮助设计人员提高效率并节约时间。然而模型的训练过程却有一定难度,需要相应的经验和对理论的理解才能得到满意的结果。来源:艾迪捷

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