一种基于数据驱动的方法,利用样条插值来实现切割单元的求积计算

《Computer Methods in Applied Mechanics and Engineering》:A data-driven approach to cut-cell quadrature using spline interpolation

【字体: 大 中 小 】 时间:2026年01月09日 来源:Computer Methods in Applied Mechanics and Engineering 7.3

编辑推荐:

  数据驱动的高阶张量积栅格积分方法,通过圆弧参数化构建三维配置空间,利用样条插值生成适用于隐式几何的切单元积分规则,误差达10^-12量级。

  
米哈乌·L·米卡(Micha? ?. Mika)|雷内·R·希姆斯特拉(René R. Hiemstra)|斯坦因·K·F·斯托特(Stein K.F. Stoter)|多米尼克·希林格(Dominik Schillinger)
达姆施塔特工业大学力学研究所,Franziska-Braun-Stra?e 7,达姆施塔特,64287,德国

摘要

本文提出了一种数据驱动的方法,用于开发适用于隐式定义的二维域的高阶精确张量积样条求积规则。我们使用基于圆弧的有符号距离表示法构建了一个三维配置空间,这些圆弧由半径和中心确定,并利用对称性简化了三维域的表示。该配置空间是分段平滑的,被仔细划分为多个平滑区域,从而能够使用三维张量积样条插值来近似从已建立的隐式域求积技术中采样的求积数据。所得到的求积规则易于应用、精度高且效率好,可以作为黑盒解决方案。我们通过数值示例展示了其与现有割线有限元方法的兼容性。

引言

有限元方法在求解偏微分方程方面已经得到了广泛应用。然而,在商业应用中,生成边界拟合网格可能需要分析时间的90% [1],这促使了等几何分析和浸没边界有限元方法的发展。割线有限元方法(也称为嵌入式或虚拟域、浸没边界或非拟合有限元方法)在非边界拟合网格上近似解 [2]、[3]、[4]。这些方法消除了劳动密集型的网格生成过程,但引入了新的挑战。主要挑战之一是在割线单元上对弱形式积分进行数值求积,由于域的不连续性,标准求积技术无法直接应用 [5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]。另一个主要挑战是处理小割线单元,这可能导致病态条件和离散化不稳定 [18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27],以及在浸没边界上施加边界和界面条件 [28]、[29]、[30]、[31]、[32]、[33]、[34]、[35]。割线有限元方法已成功应用于处理大变形 [36]、接触问题 [37]、[38]、[39]、拓扑优化 [40]、[41],并且已高效稳健地实现用于大规模计算 [46]、[47]、[48]、[49]、[50]、[51]。关于割线有限元方法的综合性综述可以在 [3]、[4]、[52] 中找到。
在这项工作中,我们提出了一种新的数据驱动求积方法,用于浸没边界方法,假设在足够细的网格上,平滑的曲线几何形状可以通过圆弧近似到二阶精度。我们构建了一个三维配置空间,用于表示单位正方形参考单元上的所有可能的切割方式,该配置空间由单元的质心 C 确定。我们使用基于半径 R ∈ [1, Rmax] 的有符号距离表示法来描述切割。通过利用对称性,我们将角度位置限制在 Θ ∈ [0, π/4],并将质心到切割点的距离限制在 Z∈[R?d/2, R+d/2 范围内,其中 d 是单元的对角线长度。配置空间 R × Θ × Z 是分段平滑的,在某些截面上具有 C1 连续性。我们将其仔细划分为多个平滑区域,从而可以使用 Algoim [17] 计算的采样求积数据进行三维张量积样条插值,进而构建精确的矩拟合求积规则 [8]、[13]、[16]、[53]、[54]、[55]、[56]。通过利用对称性,所得到的样条插值器能够高精度地评估割线单元上的积分。
这种基于样条的插值方法源于我们早期关于割线单元积分学习技术的研究,始于2021年 [57]。最初我们使用了3-5层的小型神经网络,如图1所示,生成了 N 个相关切割案例的数据库(每个切割两个案例),计算了有符号距离函数,并在预定的求积点网格(例如9个点)上进行评估,以形成网络输入。一个带有隐藏层的前馈神经网络被优化以最小化积分矩的均方误差,输出拟合的求积权重(例如9个权重)。然而,由于两个主要限制,我们无法在割线单元积分中达到所需的精度:(1) 随机梯度下降通常只能达到 O(10?8) 的最大精度;(2) 要达到高精度,需要仔细考虑切割配置空间的平滑性,如图2所示。在最近关于演化域的神经积分有限元的研究中也观察到了类似的限制 [58],报告的积分误差为 O(10?3)。进一步使用基于残差的多层神经网络 [59] 将训练误差降低了两个数量级,但导致了过拟合和对测试数据的泛化能力较差。与这些观察结果相比,我们在下文中提出的数据驱动方法具有更高的精度,这对于有限元方法的实际应用至关重要。该方法基于更简单的样条插值方法,明确考虑了连续性的降低,并可以实现 O(10?12) 的精度。本文的其余部分组织如下:第2节提供了一些关于隐式几何建模和矩拟合求积的背景知识。第3节讨论了二维中切割配置空间的参数化以及矩拟合数据的生成。第4节详细介绍了矩拟合数据的样条插值。第5节通过数值实验展示了二维基准问题的稳定性和精度。

章节片段

隐式域上的矩拟合求积

在本节中,我们回顾了基于有符号距离函数的隐式几何表示方法。然后,我们总结了一些在本文后续部分使用的数值求积的相关背景知识。给定一个目标空间,我们介绍了精确求积所需的方程。应用这些方程可以得到矩拟合求积规则。本节介绍的概念后来被用于样条插值器的设计。

二维中切割单元的参数化

对于这种方法,我们限制在二维单元上,并引入了一种能够表示大量切割单元配置空间的参数化方法。这种参数化随后用于生成样条插值的目标数据集,并测试相应的切割单元积分精度。我们还将探讨参数空间的平滑性,并介绍基于样条的插值的相应划分策略。

使用样条插值的数据驱动求积

我们的目标是设计一种数据驱动的方法,能够在给定割线轮廓的级别集描述的情况下生成一组求积点和相应的权重。我们使用张量积B样条来插值方程(3)中所有15种平滑切割情况下的响应表面矩的数据集。该数据集在离线阶段使用Algoim [17] 生成。在在线阶段,给定矩的响应表面的样条近似和圆形近似

数值实验和结果

在下文中,我们使用样条插值器获得了各种切割域的求积规则。首先,我们使用数据驱动的求积规则在一个切割域上积分一个常数函数。特别是,我们测量了一个被正弦项变形的圆弧的面积,并将结果与使用Algoim库 [17] 计算的求积规则得到的结果进行比较。接下来,我们展示了一个势流问题的收敛率

总结、讨论和结论

在这项工作中,我们提出了一种用于切割单元积分的数据驱动求积技术。我们的技术基于在参数化的圆形切割配置空间上的精确矩拟合求积,以及随后在参数空间中对这些矩的样条插值,该参数空间根据半径 R、径向位置 z 和角度位置 θ 来表征切割。这些矩在切割参数化方面并不是全局平滑的。为了满足规则性

CRediT作者贡献声明

米哈乌·L·米卡(Micha? ?. Mika):撰写——原始草稿、方法论、研究、形式分析、软件、可视化。雷内·R·希姆斯特拉(René R. Hiemstra):撰写——审阅与编辑、概念化、方法论、研究、软件、监督。斯坦因·K·F·斯托特(Stein K.F. Stoter):撰写——审阅与编辑、方法论。多米尼克·希林格(Dominik Schillinger):撰写——审阅与编辑、监督、资源管理、项目协调、资金获取。

利益冲突声明

作者声明没有利益冲突。本工作中使用的开源代码可以在 https://github.com/SuiteSplines/QuadLearn.jl 找到。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号