《SoftwareX》:diffcohesive: an open-source differentiable cohesive-zone finite element package for fracture simulation and interface-law identification
编辑推荐:
用于界面断裂的内聚区建模(cohesive-zone modelling, CZM)的即用型开源软件十分稀缺,从零开始设置内聚单元、混合模态定律和路径跟踪求解器需要大量迭代。Python包diffcohesive提供了基于单元的内禀内聚区建模(intrinsi
用于界面断裂的内聚区建模(cohesive-zone modelling, CZM)的即用型开源软件十分稀缺,从零开始设置内聚单元、混合模态定律和路径跟踪求解器需要大量迭代。Python包diffcohesive提供了基于单元的内禀内聚区建模(intrinsic CZM),采用零厚度内聚单元(二维平面应变中为4节点,三维中为8节点),通过节点复制沿候选裂纹路径插入,并包含若干牵引-分离定律(traction–separation laws):具有Benzeggagh–Kenane或幂律传播准则的双线性混合模式定律、一个界面定律形状库、一个库仑损伤-摩擦定律(Coulomb damage–friction law),以及一个可选神经网络定律。该包基于PyTorch和有限元库TensorMesh构建,可在CPU或GPU上运行,并通过一条pip命令安装。其显著特点是每个模拟输出都带有关于界面参数的精确导数,因此诸如断裂能(fracture energy, ????)和界面强度(interface strength, ??0)等量可通过基于梯度的优化直接从实测载荷-位移曲线中识别出来,其成本仅为通常用于该任务的无导数搜索(derivative-free search)的一小部分。该求解器已通过与梁理论、相同网格上的独立二维和三维Abaqus参考模型、FEniCSx界面CZM基准以及Alfano的四基准界面定律形状研究的对比得到验证。代码、测试以及所有验证示例均在MIT许可证下公开提供。
本文解读开源软件包diffcohesive,它针对内聚区模型(CZM)在开源社区中即用型工具匮乏、以及界面参数识别依赖低效无导数搜索的痛点,提供了一个基于PyTorch和TensorMesh的可微分有限元解决方案。研究团队实现了零厚度内聚单元、多种混合模式牵引-分离定律、路径跟随求解器,并利用伴随法使每个模拟输出携带对界面参数的精确梯度,从而将断裂能、界面强度等参数识别转化为常规梯度优化问题。经梁理论、Abaqus、FEniCSx及Alfano基准验证,该工具在二维和三维断裂模拟中精度可靠,参数识别效率较遗传算法提升数个量级,并支持神经网络形式的任意软化规律识别。
研究背景方面,内聚区模型是模拟复合材料层合板分层和粘接接头界面断裂的标准方法。商业有限元软件中此功能已成熟,但开源选择很少:PyFEM虽有内聚单元和弧长延拓,但缺乏混合模式定律变化和参数识别能力;FEniCSx生态仅有教程式示例,无法封装为库且不可微分;JAX-FEM等可微分框架只针对体相或相场断裂,没有内聚或界面单元。因此,需要混合模式定律、路径跟随求解器和GPU支持的使用者通常必须从零构建整个栈。此外,拟合牵引-分离定律参数(初始刚度 K
0、界面强度 ??
0 或剪切强度 ??
0、断裂能 ??
??)通常使用遗传算法等无导数搜索,每个候选参数集都要求一次完整非线性求解,难以扩展到多参数。diffcohesive旨在解决这两大问题,为研究者提供即装即用的可微分CZM工具,并实现高效梯度基参数识别。
研究人员主要用到以下关键技术方法:基于PyTorch自动微分和原生有限元库TensorMesh进行整体弹性装配;采用内禀型零厚度内聚单元(二维4节点、三维8节点),通过节点复制沿候选裂纹路径插入;实现多种牵引-分离定律,包括双线性混合模式律(含Benzeggagh–Kenane和幂律传播准则)、Alfano形状库、库仑损伤-摩擦律及可选神经网络律;使用粘性正则化处理软化和载荷突降,采用弧长延拓(Riks法)追踪snap-back;通过自定义PyTorch自动微分函数实现伴随法,跨载荷步链式求导,获得所有界面参数的精确梯度;支持CPU/GPU运算及批量向量化求解。所有验证梯度均与有限差分对照。
研究结果部分,按论文小节概述如下:
**3.1 二维算例(Two-dimensional cases)**
**3.1.1 模式I双悬臂梁(Mode I DCB)**:在相同网格上建立独立Abaqus参考模型(CPE3体和COH2D4内聚单元),对比位移控制下的载荷-位移曲线。结果表明峰前柔度与线弹性断裂力学梁理论偏差小于2%,峰值载荷与Abaqus(标准静力和Riks法)吻合在5%以内,软化段包络偏差2%至3%。同时通过网格细化研究验证了峰值载荷收敛行为:过粗网格高估峰值,单元尺寸小于约三分之一内聚区长度 ?
???? ≈ ????
??/??
02 时结果稳定。
**3.1.2 界面定律形状研究(Interface-law shape study)**:重现Alfano四项基准研究,使用双线性、线性-抛物线、指数和梯形四种软化包络,在相同(K
0, ??
0, ??
??)输入下比较。得到与原始文献一致的定性结论:薄DCB响应几乎与形状无关;刚性紧凑试样峰值载荷有明显差异,梯形最高;模式II拔出试验的载荷-位移曲线继承界面律形状。极值形状间的脱粘峰值差异为5%至7%。
**3.1.3 与FEniCSx交叉验证(Cross-verification against FEniCSx)**:使用同一gmsh网格、同一Smith–Ferrante定律和相同边界条件,求解COMET-FEniCSx教程中的双夹杂界面脱粘算例。尽管两种代码离散方式不同(FEniCSx用子网格插值和定点损伤迭代,diffcohesive用零厚度内聚单元和全牛顿迭代),峰值载荷偏差仅0.05%,软化分支平均偏差0.9%。
**3.2 三维算例(Three-dimensional case)**:对三维DCB(六面体体单元,8节点内聚单元)在三种网格细化水平下与Abaqus C3D8/COH3D8参考模型对比。无正则化时两代码均在尖峰单元弹出处终止;加入损伤粘性后完整追踪软化分支。最粗网格上无正则化峰值载荷相差9.8%,弹性斜率相差6%;细化后峰值差距降至3%,弹性斜率一致。峰值载荷随网格移动幅度表明所用的普通三线性六面体在细长弯曲中比Abaqus的C3D8公式更刚,粗网格差异主要来自体单元技术而非内聚公式。
**3.3 收敛性与计算成本(Convergence and computational cost)**:在笔记本电脑(8核CPU、RTX 2000 Ada GPU)上测试。最细三维网格(5490未知数,50个位移增量)平均每增量需4.3次牛顿迭代(最多6次),残差呈二次收敛。二维基准中diffcohesive完成分析耗时37秒,而FEniCSx参考为60秒;三维完整扫描中,稀疏线性求解器在四线程CPU上耗时46秒,GPU上32秒,而Abaqus在同一机器为13秒。指出商业编译稀疏直接求解器在单次正向分析上仍更快,但本包的目标工作负载是参数识别,此时精确梯度替代数百次无导数评估。
**3.4 界面参数识别(Identification of interface parameters)**:以合成含噪载荷-位移曲线(1%噪声)为测量数据,使用Adam优化器结合L-BFGS最小化平方误差。与遗传算法对比,梯度基方法在最终失配值低10
8倍的情况下,所需非线性求解次数少12倍,墙钟时间少11倍。神经网络定律用一个小型受约束网络代替解析损伤演化,权重与物理常数一同参与识别,成功恢复非双线性损伤演化(图中展示),且所有正向示例均未使用该网络。
讨论与影响:diffcohesive降低了无商业代码权限研究者使用内聚区建模的进入门槛,一条pip命令即可获得经过验证的二维/三维混合模式内禀CZM和路径跟随能力,仓库中的脚本可再现全部验证图。参数识别方面,测量到的求解次数和墙钟时间较无导数搜索减少一个数量级的影响适用于所有此类拟合。神经网络定律将识别扩展到软化形状本身,无导数搜索因参数维数增加而实际无法达到。此外,精确参数灵敏度可直接用于不确定性量化和设计研究。该包也作为扩展平台:体装配接受用户自定义刚度或非线性残差与切线可调用对象,可接入弹塑性体或热-力耦合;内聚定律是普通PyTorch模块,可被替换。仓库中非线性体示例验证了伴随梯度在超出线弹性范围时仍与有限差分一致。
结论部分翻译:diffcohesive以可安装Python包的形式提供基于单元的内禀内聚区建模,包含混合模式定律、摩擦、二维和三维零厚度单元、带粘性稳定化的牛顿与弧长求解器,以及通过伴随法获得的精确参数导数。该求解器已针对梁理论、二维和三维相同网格上的Abaqus参考、FEniCSx基准以及Alfano的界面定律形状研究进行验证。诸如 ??
?? 和 ??
0 等界面参数,或整个神经网络软化形状,可通过基于梯度的优化从实测曲线中识别出来,其成本仅为无导数搜索的一小部分。工具即装即用:在现有PyTorch环境中执行 pip install diffcohesive,然后运行约二十行的quickstart示例,即可进行带梯度的损伤模拟。计划扩展包括疲劳界面定律及其常数梯度基识别,以及通过TensorMesh多物理场栈实现热-力耦合界面问题。