有限元为什么怕坏网格（下）？

上一篇我们讲到，有限元真正怕的不是网格“长得丑”，而是坏网格会破坏一件更关键的事情：

标准单元到真实单元的映射。

有限元通常不是直接在每一个真实单元上重新发明一套计算规则。它更常见的做法是：先在一个规则、标准、容易计算的单元上定义好形函数、求导规则和积分规则，然后再通过映射，把这套规则搬到真实几何里的每一个单元上。

所以，一个真实单元长得好不好，最终不是审美问题，而是计算问题。真正要问的是：

标准单元上的那套计算规则，能不能顺利、可靠地搬到这个真实单元上？

这个问题，就引出了今天的主角：Jacobian，雅可比。

一、先把 Jacobian 当成“映射质量的记录表”

你可以先把 Jacobian 理解成：

标准单元到真实单元之间的一张“映射质量记录表”。

它记录的是：标准单元里的一小块区域，映射到真实单元之后，发生了什么变化。比如：

• 面积或体积被放大了多少；
• 面积或体积被压缩了多少；
• 方向有没有翻转；
• 同一个单元内部，不同位置的映射变化是否差异很大。

最常见到的 Jacobian 相关指标是下面三个：

• Jacobian determinant：雅可比行列式
• Jacobian ratio：雅可比比值
• Scaled Jacobian：缩放 / 归一化后的雅可比质量指标

这三个指标都和“映射好不好”有关，但关注点不一样。

1. Jacobian determinant：看局部面积或体积有没有被压坏、翻转

Jacobian determinant 表示的是：标准单元里一小块面积 / 体积映射到真实单元后， 被放大或缩小了多少

如果是真实二维单元，可以把它理解成局部面积缩放；如果是真实三维单元，可以把它理解成局部体积缩放。它通常可以这样判断：

• determinant 为正且不太接近 0：说明局部映射方向正常，面积或体积没有被压到接近消失；
• determinant 接近 0：说明局部区域被压得很扁，单元接近退化；
• determinant 变成负值：说明局部映射发生翻转，软件里常会看到 negative Jacobian、negative volume、inverted element 之类的问题。

2. Jacobian ratio：看同一个单元内部映射是否均匀

一个单元并不是只有一个位置需要计算。在有限元里，很多计算发生在积分点附近。同一个单元内部，不同积分点附近的 Jacobian 可能不一样。

Jacobian ratio 关注的就是这种差异，可以粗略理解成：

Jacobian ratio ≈ 单元内部最大 Jacobian / 单元内部最小 Jacobian

它通常可以这样判断：

• ratio 接近 1：说明这个单元内部不同位置的映射比较均匀；
• ratio 变大：说明单元内部有的位置被拉得多，有的位置被压得多，映射变得不均匀；
• ratio 很大，或者最小 Jacobian 接近 0 / 变负：说明这个单元内部已经存在明显畸变或局部退化风险。

3. Scaled Jacobian：把映射质量归一化后，更方便工程判断

Scaled Jacobian 可以理解成一个更工程化的、归一化后的网格质量指标。它不是只看原始的面积或体积缩放，而是把 Jacobian 和单元边长、边向量夹角、局部方向等几何尺度放到同一个相对尺度下比较，让不同尺寸的单元也能用一个相对统一的数值来判断质量。

不同软件的定义和范围不完全一样。有的软件显示 “-1 到 1”，有的软件则显示成 “0 到 1”：

• 如果软件采用 “-1 到 1”：数值越接近 1，单元形状越接近规则，映射越可靠；越接近 0，单元越接近退化；小于 0，通常说明局部方向翻转；
• 如果软件采用 “0 到 1”：数值越接近 1，质量越好；越接近 0，质量越差或越接近退化；翻转问题通常会用 negative Jacobian、negative volume、inverted element 等单独提示。

所以，Scaled Jacobian 主要回答的是：

把不同形状、不同尺寸的单元放到一个相对统一的尺度下看，这个单元质量到底有多差。

因此，当我们说“Jacobian 变差”时，通常意味着下面这些情况：

• determinant 接近 0；
• determinant 变成负值；
• ratio 变大；
• Scaled Jacobian 很低，甚至出现负值。

这些指标越差，说明标准单元到真实单元的映射越不可靠。

二、什么样的网格会让 Jacobian 指标变差？

有了上面的三个指标，坏网格为什么危险就更容易理解了。因为很多“形状不好”的网格，最后都会通过 Jacobian 指标表现出来。

1. 单元被压得太扁

比如一个四边形、三角形、六面体或四面体，本来应该有一定面积或体积。但如果它被压得很薄、很尖、很接近塌陷，那么标准单元映射过去以后，就会被压缩到非常小。

这时候 determinant 接近 0，单元接近退化。这种单元会让后面的导数转换和积分计算变得非常敏感。

2. 单元被拉得过长、比例失衡

单元长宽比很大时，不一定永远错。比如 CFD 边界层网格、薄壁结构、细长结构附近，高长宽比有时是有物理目的的。

但如果单元在不该拉长的地方被拉得过细过长，就可能让一个方向上的尺度特别大，另一个方向上的尺度特别小。这样一来，标准坐标到真实坐标的变换就会变得很不均匀。

它可能表现为： Jacobian ratio 变大，Scaled Jacobian 变低， 某些方向的导数转换变得敏感。

所以，长宽比本身不能脱离问题背景判断。真正要看的是：这种拉长有没有让映射质量变差，有没有让导数和积分计算变得不可靠。

3. 单元发生严重歪斜或扭曲

如果一个单元角度很怪，或者四边形、六面体的面发生明显翘曲，标准单元映射到真实单元时，就不是简单的拉伸或压缩了。它还可能伴随剪切、扭转、局部方向变化。

这时常见的问题是：

同一个单元内部，不同位置的 Jacobian 差异很大。

也就是说，有的积分点附近还算正常，有的积分点附近已经很差。这种情况下，Jacobian ratio 往往会变差，Scaled Jacobian 也可能变低。这种单元即使没有立刻报错，也可能让单元内部的导数计算和积分计算变得不可靠。

4. 单元发生翻转

最严重的情况，是单元局部发生翻转。二维里可以想象成一个四边形被扭成交叉或反折；三维里可以理解成局部体积方向反了。

这时最典型的表现是： Jacobian determinant 变成负值 Scaled Jacobian 可能出现负值 软件提示 negative Jacobian / negative volume / inverted element

这已经不是“网格质量差一点”的问题，而是几何映射关系本身出问题了。因为标准单元上的一个正常区域，映射到真实单元后，方向关系已经反了。很多求解器遇到这种情况会直接报错或停止。

三、Jacobian 为什么会影响导数？

有限元里，很多我们关心的结果不是直接算出来的原始量，而是由原始量进一步求导得到的。

结构分析里，经常是：

节点位移 → 位移在空间中的变化率 → 应变 → 应力

热分析里也类似：

温度 → 温度梯度 → 热流

所以，应力、应变、温度梯度、热流这类结果，本质上都和“空间变化率”有关。

问题是，形函数最开始通常定义在标准单元里。软件一开始容易得到的是形函数对标准坐标的导数，比如：

dN/dξ， dN/dη

但真实物理问题需要的是它对真实空间坐标的导数，比如：

dN/dx, dN/dy

这里要特别注意：

标准单元坐标 → 真实单元坐标的映射，用 J；

而标准坐标导数 → 真实坐标导数的映射，用 J 的逆，严格说常写成 J 的逆转置

为什么会这样？因为 Jacobian J 描述的是标准单元里一个很小的方向和距离，到了真实单元里会变成什么方向、什么长度。

而导数问的是另一件事：真实空间里沿着 x、y 方向变化一点点时，形函数变化多少。这个问题需要用链式法则“反过来”换算，所以会用到 Jacobian 的逆。

如果把梯度写成列向量，更常见的表达是：

真实坐标梯度 = J 的逆转置 × 标准坐标梯度

也可以写成：

∇x N = J⁻ᵀ ∇ξ N

如果把导数写成行向量，有些教材或程序会写成：

真实坐标导数 = 标准坐标导数 × J⁻¹

如果 Jacobian 指标比较好，比如 determinant 不接近 0、ratio 不大、Scaled Jacobian 不低，说明这个映射比较可靠。这时，标准坐标导数换算成真实坐标导数时，通常不会出现很夸张的放大。

如果 Jacobian 指标很差，比如 determinant 接近 0，说明某个局部区域已经被压得很厉害。这时Jacobian 矩阵接近奇异，矩阵的逆或逆转置会变得非常敏感，里面某些系数可能变得很大。

也就是说，当单元局部被压得接近退化时，真实空间里很短的一段距离，就可能对应标准坐标里明显的变化。软件在做导数转换时，就可能把一个原本不算夸张的位移变化，换算成很大的空间变化率。

于是，应变或应力就可能被放大。这就是为什么坏网格附近常常会先看到：

• 应力尖峰；
• 应变异常；
• 温度梯度乱跳；
• 热流不稳定；
• 局部结果对网格非常敏感。

所以，“位移云图看起来还行，应力云图却突然乱跳”，并不奇怪。因为位移是原始量，应力是导数类结果。导数本来就比原始值更敏感。

四、Jacobian 为什么会影响积分？

Jacobian 的第二个关键作用，是影响积分。

有限元里很多量不是看一个点，而是要把整个单元内部的贡献加起来。比如结构分析里的：

• 单元刚度矩阵；
• 单元质量矩阵；
• 单元内力；
• 应变能。

热分析里的：

• 热传导矩阵；
• 热容量矩阵；
• 热源项；
• 总热流。

这些都离不开单元积分。但计算机不会真的把单元内部无穷多个点都算一遍。实际做法通常是数值积分：在单元内部选几个有代表性的积分点，在这些点上计算，再乘以权重加起来。

这些积分点，最初也是定义在标准单元上的。当标准单元映射到真实单元时，积分点也要跟着映射过去。同时，每个积分点代表的真实面积或体积贡献，也要通过 Jacobian 来换算。

可以粗略理解为：

真实单元积分 ≈ 积分点上的值 × 积分权重 × Jacobian determinant

这里就能看出 determinant 为什么重要。如果 determinant 合理，说明积分点代表的真实面积或体积权重比较正常。如果 determinant 接近 0，说明某个局部区域被压得很小，积分权重可能变得非常敏感。如果 determinant 变成负值，说明局部方向已经翻转，这时积分不只是“不准”，而是映射关系本身已经出错。

如果单元内部 Jacobian 变化很剧烈，也就是 ratio 变大，那么不同积分点代表的真实区域差异会很大。这会让数值积分的代表性变差。

所以，单元严重畸变时，积分上可能出现这些问题：

• 积分点映射到真实单元后分布可能不均匀；
• 单元畸变导致积分误差增加；

• 局部面积或体积权重被算偏；
• 严重时甚至出现负 Jacobian。

这样算出来的单元刚度、内力、质量、热传导矩阵等，就可能不可靠。也就是说，坏网格不只是让后处理云图不好看。它还可能影响单元矩阵和单元贡献本身。而这些单元贡献，最后会被组装进整体方程里。

五、为什么严重时会导致不收敛？

到这里，我们可以把链条连起来。

前面讲的导数转换、积分权重、单元刚度和单元内力，最后都不是孤立存在的。有限元真正求解时，会把每个单元的贡献组装到一个整体方程里。也就是说，单个坏单元的问题，最后可能会变成整个模型求解过程中的问题。

为了让这个过程更好理解，我们先拿最常见、也最容易看清结构的例子来说：线性结构静力分析。

它的求解链条是：

单元贡献 → 组装成整体矩阵 → 求解整体未知量

这条链条常被粗略写成： K u = F

这里的 K 是整体刚度矩阵，u 是节点位移，F 是外力。整体刚度矩阵 K，正是由一个个单元刚度矩阵组装出来的。如果某些单元因为 Jacobian 指标很差，导致导数换算不稳定、积分贡献不可靠，那么这些问题就不只停留在那个单元内部。它们会进入单元刚度、单元内力等计算结果，再进一步进入整体矩阵和整体方程。

这就是为什么局部坏网格有时会影响整体求解。结果可能是：

• 单元刚度异常；
• 单元内力异常；
• 整体矩阵条件数变差；
• 迭代残差降不下来；
• 非线性步长不断被切小；
• 接触、塑性、大变形等状态更新失败；
• 最后出现 solver failed to converge。

对于非线性问题，这种影响会更明显。因为非线性求解不是一次算完，而是一步一步迭代。每一步都要根据当前状态更新刚度、内力、接触状态或材料响应。

如果某些单元已经严重畸变，后续迭代中它们可能进一步恶化，甚至出现：

• excessive element distortion；
• negative Jacobian；
• negative volume；
• inverted element。

这时候软件可能就不是“算得不够准”，而是“算不下去”。因为几何映射关系已经不成立，继续迭代没有可靠基础。

六、总结：Jacobian 指标差，说明映射正在拖累计算

如果你看到这还是不太明白，没关系只需要记住下面这句话即可：

坏网格会让标准单元到真实单元的映射变差；映射一差，Jacobian 指标就会变差；Jacobian 指标一差，导数转换和积分转换都会受影响；这些异常进入整体方程后，就可能表现为应力乱跳、热流异常、结果不稳定，严重时甚至不收敛。

这里最关键的是，不要把 Jacobian 当成一个孤立的数学名词。它其实是在提醒我们：

这个真实单元还能不能可靠地承接标准单元上的计算规则。

如果 Jacobian determinant 为正且不接近 0，Jacobian ratio 不大，Scaled Jacobian 不低，通常说明映射质量还可以。

如果 determinant 接近 0、变成负值，ratio 很大，Scaled Jacobian 很低甚至为负，就说明映射已经变差，严重时会影响导数、积分和求解稳定性。

参考资料

1. COMSOL Multiphysics Documentation, Mesh Element Quality. 该文档提到低网格质量会导致反转单元、高 Jacobian 条件数，并可能引起收敛问题。
   https://doc.comsol.com/6.3/doc/com.comsol.help.comsol/comsol_ref_mesh.24.24.html

2. Altair HyperMesh Documentation, How Element Quality is Calculated. 该文档说明 HyperMesh 会在积分点或角节点处评估 Jacobian 矩阵行列式，并使用最小值与最大值的比值作为质量判断的一部分。
   https://2021.help.altair.com/2021/hwdesktop/hm/topics/pre_processing/meshing/element_quality_how_its_calculated_c.htm

3. Autodesk Simulation Mechanical Help, Nonpositive Jacobian Errors or Distorted Elements. 该资料说明细长或畸变单元可能产生近零或负体积，从而导致 negative Jacobian、精度差或求解困难。
   https://help.autodesk.com/cloudhelp/2018/ENU/SimMech-UsersGuide/files/GUID-62063F97-EC8B-408B-A5AA-6AD0A1662C92.htm

4. MIT OpenCourseWare, Finite Element Procedures for Solids and Structures, Lecture 8: Numerical Integrations, Modeling Considerations. 该课件涉及等参有限元中的位移插值、应变-位移矩阵、Jacobian determinant 与数值积分。
   https://public.fangzhenxiu.com/fixComment/commentContent/imgs/1780302228968_8hdyct.pdf

5. FEAwiki, Chapter 2 - Isoparametric elements. 该资料介绍了等参单元、标准单元到真实单元的映射，以及高斯积分等基础概念。
   https://www.feawiki.org/docs/chapter2/