CN113221406B - 极大压缩变形条件下模型网格自适应修正方法 - Google Patents

极大压缩变形条件下模型网格自适应修正方法 Download PDF

Info

Publication number
CN113221406B
CN113221406B CN202110485452.3A CN202110485452A CN113221406B CN 113221406 B CN113221406 B CN 113221406B CN 202110485452 A CN202110485452 A CN 202110485452A CN 113221406 B CN113221406 B CN 113221406B
Authority
CN
China
Prior art keywords
node
grid
gextra
disnow
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110485452.3A
Other languages
English (en)
Other versions
CN113221406A (zh
Inventor
徐全
侯靖
褚卫江
刘宁
曹爱武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Huadong Engineering Corp Ltd
Original Assignee
PowerChina Huadong Engineering Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PowerChina Huadong Engineering Corp Ltd filed Critical PowerChina Huadong Engineering Corp Ltd
Priority to CN202110485452.3A priority Critical patent/CN113221406B/zh
Publication of CN113221406A publication Critical patent/CN113221406A/zh
Application granted granted Critical
Publication of CN113221406B publication Critical patent/CN113221406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种极大压缩变形条件下模型网格自适应修正方法，其特征在于：遍历n×m网格中的节点，寻找参考面片中对应的参考节点，得到此时参考节点的位置坐标；计算节点修正更新后的坐标位置；寻找节点将落于的网格单元编码，并根据组成网格单元的四个节点位置对节点的x和z两个方向的位移场进行线性插值，得到节点的新坐标；对网格单元进行遍历，并依据新坐标寻找对应网格单元编码，同时得到网格单元的中心坐标，将所有节点新坐标所处单元的应力、应变进行线性插值，得到应变信息，并将应力、应变信息存入单元额外变量；重新遍历节点，并更新节点坐标位置和节点位移信息；重新遍历网格单元，并对单元应力、应变信息进行更新。

Description

极大压缩变形条件下模型网格自适应修正方法
技术领域
本发明涉及一种极大压缩变形条件下模型网格自适应修正方法。适用于数值模型计算与网格设置领域。
背景技术
岩土数值计算涉及的范围非常广泛，包括边坡、地下洞室、基坑、地质成因分析等等，而在某些计算分析中，保证网格的质量是保证计算得以进行下去的首要要素。在通常情况下，计算模型的变形是有非常大的限制的，尤其是在地质成因分析中，当网格受构造应力挤压时，将会面临非常大的变形，必然会造成网格的畸形，导致计算的终止。针对以上问题，采用离散元或无网格计算或许是一种解决手段，但这些手段在某些条件的限制下，并不能够满足计算的要求，而选择有限元计算是必要的。
针对极大挤压条件下的数值模型网格畸形问题，需要摸索出一套方法使得网格在计算过程中可以进行自适应调整，以保证计算网格一直处于最优状态，这样无论网格挤压变形多大，都不会由于网格的畸形而终止计算。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种极大压缩变形条件下模型网格自适应修正方法，以保证数值模型的网格不会因为畸变而终止计算的方法，实现了极大挤压位移下数值计算的可行性。
本发明所采用的技术方案是：一种极大压缩变形条件下模型网格自适应修正方法，其特征在于：
遍历n×m网格中的节点Gpq(0:n,0:m-1)，并根据Gextrapq(0:n,0:m-1,2)寻找参考面片中对应的参考节点，得到此时参考节点的位置坐标，记为Xq、Zq；
根据参考节点位置坐标信息，计算节点修正更新后的坐标位置，GpqXnew＝Xq，GpqZnew＝0+Zq/m*q；
记Gextrapq(0:n,0:m-1,3)＝GpqXnew，Gextrapq(0:n,0:m-1,4)＝GpqZnew；
根据最新坐标信息寻找节点将落于的网格单元编码，并根据组成网格单元的四个节点位置对节点Gpq的x和z两个方向的位移场进行线性插值，得到GpqXdisnow和GpqZdisnow；
记Gextrapq(0:n,0:m-1,5)＝GpqXdisnow，Gextrapq(0:n,0:m-1,6)＝GpqZdisnow；
对网格单元进行遍历，并依据网格单元组成节点的新坐标GpqXdisnow和GpqZdisnow寻找对应网格单元编码，同时得到网格单元的中心坐标ZijXdisnow和ZijZdisnow，将所有节点新坐标所处单元的应力、应变进行线性插值，得到ZijSdisnow和ZijSdisnow，并将应力、应变信息存入单元额外变量Zextraij(i,j,n)；
重新遍历节点Gpq(0:n,0:m-1)，并根据Gextrapq(0:n,0:m-1,3)、Gextrapq(0:n,0:m-1,4)更新节点坐标位置，根据Gextrapq(0:n,0:m-1,5)、Gextrapq(0:n,0:m-1,6)＝GpqZdisnow更新节点位移信息；
重新遍历网格单元Zij(0:n-1,0:m-1)，并根据Zextraij(i,j,n)对单元应力、应变信息进行更新。
网格被挤压过程中，每当达到修正频率时，对网格位置进行修正，直到满足设定挤压要求。
所述n×m网格的网格单元和节点编码为Zij和Gpq，其中i表示单元列数编码，0≤i≤n-1，j表示单元行数，0≤j≤m-1；p表示节点列数编码，0≤p≤n，q表示节点行数，0≤q≤m。
将网格最顶面设为所述参考面片。
所述Gextrapq(0:n,0:m-1,2)由以下方法得到：
将参考面片中节点新增节点额外变量1，对新增节点额外变量进行编号赋值，记为Gextrapq(0:n,m,1)＝0,1,2…n；
将除顶面节点之外的每列节点新增节点额外变量2，用来记录每个节点对应的参考面片节点额外变量1的编号信息，记为Gextrapq(0:n,0:m-1,2)＝Gextrapq(0:n,m,1)。
一种存储介质，其上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述极大压缩变形条件下模型网格自适应修正方法的步骤。
一种计算机设备，具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述极大压缩变形条件下模型网格自适应修正方法的步骤。
本发明的有益效果是：本发明能够在网格受挤压过程中，根据设定的频率对网格进行自适应调整，防止数值模型的网格因为畸变而终止计算，该方法实现了极大挤压位移下数值计算的可行性，避免了常规模拟种因网格畸变而无法计算达到预期的挤压变形量。
附图说明
图1为实施例中节点编码示例图。
图2为实施例中单元编码示例图。
图3为实施例中参考面片图。
图4为实施例中不采用网格自适应修正方法和采用后的结果对比图。
具体实施方式
本实施例为一种极大压缩变形条件下模型网格自适应修正方法，具体包括以下步骤：
S01、生成四边形特征网格，并对网格进行规则编码，开辟网格额外信息存储变量。
生成横向n×m个网格，网格均为四面体网格，则共包含单元n×m个，节点共(n+1)×(m+1)个。根据网格的横纵分布，按从小到大的顺序对横纵单元和节点进行编码，对于网格单元得到Zij＝(i,j)，对于节点得到Gpq＝(p,q)，其中i表示单元列数编码，0≤i≤n-1，j表示单元行数，0≤j≤m-1；p表示节点列数编码，0≤p≤n，q表示节点行数，0≤q≤m。
为方便后续网格自适应更新，本实施例将每个网格在更新前的结果进行额外存储，以便用于更新网格后的网格，给每个单元和节点开辟额外存储信息的多个变量，其中单元额外变量为Zextraij(i,j,n)，表示单元Zij的第n个变量，节点额外变量为Gextrapq(p,q,n)，表示节点Gpq的第n个变量。
S02、在网格顶面建立参考面片，并创建与网格具有一定关联性的规则编码。
为保证在极大挤压变形下网格的横纵自适应调整，本实施例中设定网格自适应调整的基准映射网格，将网格最顶面，即Gpq＝(0:n,m)所在面的设定为参考面片，将参考面片中节点新增节点额外变量1，对新增节点额外变量进行编号赋值，记为Gextrapq(0:n,m,1)＝0,1,2…n；
将网格上除顶面节点之外的每列节点新增节点额外变量2，用于记录每个节点对应的参考面片节点额外变量1的编号信息，记为Gextrapq(0:n,0:m-1,2)＝Gextrapq(0:n,m,1)。
S03、设定挤压边界的挤压速率V，并设定网格更新的频率f，即挤压多少个V修正更新一次网格。
S04、网格被挤压过程中，每当达到修正频率时，根据参考面片网格位置对网格位移、应力、应变信息进行修正，直到满足设定挤压要求。
本实施例中对网格进行修正更新，主要包括网格的节点位置、节点位移信息的更新，具体为：
S041、遍历节点Gpq(0:n,0:m-1)，并根据Gextrapq(0:n,0:m-1,2)寻找参考面片中对应参考节点，并得到此时参考节点的位置坐标，记为Xq、Zq；
S042、根据参考节点位置坐标信息，计算节点更新后的坐标位置，GpqXnew＝Xq，GpqZnew＝0+Zq/m*q；
S043、为节点新增额外变量3、4，用于存储需要更新到的目标坐标信息，记为Gextrapq(0:n,0:m-1,3)＝GpqXnew，Gextrapq(0:n,0:m-1,4)＝GpqZnew；
S044、根据最新坐标信息寻找节点将落于的单元编码，记为ZijGnow,并根据组成该单元的四个节点位置对节点Gpq的x和z两个方向的位移场进行线性插值，得到GpqXdisnow和GpqZdisnow；
S045、为节点新增额外变量5，6，用于存储需要更新到的目标坐标信息，记为Gextrapq(0:n,0:m-1,5)＝GpqXdisnow，Gextrapq(0:n,0:m-1,6)＝GpqZdisnow；
S046、采用节点同样的方法对单元进行遍历，为单元新增额外变量，并依据单元组成节点的新坐标GpqXdisnow和GpqZdisnow寻找对应的网格单元编码，同时得到单元的中心坐标ZijXdisnow和ZijZdisnow，将所有节点新坐标所处单元的应力、应变进行线性插值，得到Zijsdisnow和ZijSdisnow，并将应力和应变信息Zijsdisnow和ZijSdisnow存入单元额外变量Zextraij(i,j,n)；
S047、重新遍历节点Gpq(0:n,0:m-1)，并根据存储的最新坐标信息Gextrapq(0:n,0:m-1,3)、Gextrapq(0:n,0:m-1,4)更新节点坐标位置，根据存储的最位移信息Gextrapq(0:n,0:m-1,5)、Gextrapq(0:n,0:m-1,6)更新节点位移信息；
S048、重新遍历单元节点Zij(0:n-1,0:m-1)，并根据存储的额外单元变量Zextraij(i,j,n)对单元应力、应变信息进行更新。
本实施例还提供一种存储介质，其上存储有可被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中极大压缩变形条件下模型网格自适应修正方法的步骤。
本实施例还提供一种计算机设备，具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中极大压缩变形条件下模型网格自适应修正方法的步骤。

Claims (7)

1.一种极大压缩变形条件下模型网格自适应修正方法，其特征在于：
遍历n×m网格中的节点Gpq(0:n,0:m-1)，并根据Gextrapq(0:n,0:m-1,2)寻找参考面片中对应的参考节点，得到此时参考节点的位置坐标，记为Xq、Zq；
根据参考节点位置坐标信息，计算节点修正更新后的坐标位置，GpqXnew＝Xq，GpqZnew＝0+Zq/m*q，式中q表示节点行数，0≤q≤m；
记Gextrapq(0:n,0:m-1,3)＝GpqXnew，Gextrapq(0:n,0:m-1,4)＝GpqZnew；
根据最新坐标信息寻找节点将落于的网格单元编码，并根据组成网格单元的四个节点位置对节点Gpq的x和z两个方向的位移场进行线性插值，得到GpqXdisnow和GpqZdisnow；
记Gextrapq(0:n,0:m-1,5)＝GpqXdisnow，Gextrapq(0:n,0:m-1,6)＝GpqZdisnow；
对网格单元进行遍历，并依据网格单元组成节点的新坐标GpqXdisnow和GpqZdisnow寻找对应网格单元编码，同时得到网格单元的中心坐标ZijXdisnow和ZijZdisnow，将所有节点新坐标所处单元的应力、应变进行线性插值，得到ZijSdisnow和ZijSdisnow，并将应力、应变信息存入单元额外变量Zextraij(i,j,n)；
重新遍历节点Gpq(0:n,0:m-1)，并根据Gextrapq(0:n,0:m-1,3)、Gextrapq(0:n,0:m-1,4)更新节点坐标位置，根据Gextrapq(0:n,0:m-1,5)、Gextrapq(0:n,0:m-1,6)＝GpqZdisnow更新节点位移信息；
重新遍历网格单元Zij(0:n-1,0:m-1)，并根据Zextraij(i,j,n)对单元应力、应变信息进行更新。
2.根据权利要求1所述的极大压缩变形条件下模型网格自适应修正方法，其特征在于：网格被挤压过程中，每当达到修正频率时，对网格位置进行修正，直到满足设定挤压要求。
3.根据权利要求1所述的极大压缩变形条件下模型网格自适应修正方法，其特征在于：所述n×m网格的网格单元和节点编码为Zij和Gpq，其中i表示单元列数编码，0≤i≤n-1，j表示单元行数，0≤j≤m-1；p表示节点列数编码，0≤p≤n，q表示节点行数，0≤q ≤m。
4.根据权利要求1或3所述的极大压缩变形条件下模型网格自适应修正方法，其特征在于：将网格最顶面设为所述参考面片。
5.根据权利要求4所述的极大压缩变形条件下模型网格自适应修正方法，其特征在于，所述Gextrapq(0:n,0:m-1,2)由以下方法得到：
将参考面片中节点新增节点额外变量1，对新增节点额外变量进行编号赋值，记为Gextrapq(0:n,m,1)＝0,1,2…n；
将除顶面节点之外的每列节点新增节点额外变量2，用来记录每个节点对应的参考面片节点额外变量1的编号信息，记为Gextrapq(0:n,0:m-1,2)＝Gextrapq(0:n,m,1)。
6.一种存储介质，其上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～5任意一项所述极大压缩变形条件下模型网格自适应修正方法的步骤。
7.一种计算机设备，具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～5任意一项所述极大压缩变形条件下模型网格自适应修正方法的步骤。
CN202110485452.3A 2021-04-30 2021-04-30 极大压缩变形条件下模型网格自适应修正方法 Active CN113221406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110485452.3A CN113221406B (zh) 2021-04-30 2021-04-30 极大压缩变形条件下模型网格自适应修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110485452.3A CN113221406B (zh) 2021-04-30 2021-04-30 极大压缩变形条件下模型网格自适应修正方法

Publications (2)

Publication Number Publication Date
CN113221406A CN113221406A (zh) 2021-08-06
CN113221406B true CN113221406B (zh) 2022-04-19

Family

ID=77090775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110485452.3A Active CN113221406B (zh) 2021-04-30 2021-04-30 极大压缩变形条件下模型网格自适应修正方法

Country Status (1)

Country Link
CN (1) CN113221406B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015095785A1 (en) * 2013-12-19 2015-06-25 University Of Louisville Research Foundation, Inc. Multi-scale mesh modeling software products and controllers
CN105183996A (zh) * 2015-09-14 2015-12-23 西北工业大学 面元修正与网格预先自适应计算方法
CN108389263A (zh) * 2018-03-29 2018-08-10 青岛数智船海科技有限公司 面向边界元方法求解计算的iges面网格快速生成方法
CN111177967A (zh) * 2019-12-30 2020-05-19 杭州数孪科技有限公司 网格单元的批量修改方法，其装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015095785A1 (en) * 2013-12-19 2015-06-25 University Of Louisville Research Foundation, Inc. Multi-scale mesh modeling software products and controllers
CN105183996A (zh) * 2015-09-14 2015-12-23 西北工业大学 面元修正与网格预先自适应计算方法
CN108389263A (zh) * 2018-03-29 2018-08-10 青岛数智船海科技有限公司 面向边界元方法求解计算的iges面网格快速生成方法
CN111177967A (zh) * 2019-12-30 2020-05-19 杭州数孪科技有限公司 网格单元的批量修改方法，其装置及电子设备

Also Published As

Publication number Publication date
CN113221406A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
US20220374688A1 (en) Training method of neural network based on memristor and training device thereof
CN108304928A (zh) 基于改进聚类的深度神经网络的压缩方法
CN107275801B (zh) 一种l型阵列天线的基于获得性遗传的阵元排布方法
US20210273654A1 (en) Erasure code calculation method
CN111814973B (zh) 一种适用于神经常微分方程网络计算的存内计算系统
US20200372340A1 (en) Neural network parameter optimization method and neural network computing method and apparatus suitable for hardware implementation
CN107565973A (zh) 一种结点可扩展的哈夫曼编码的实现方法及电路结构
CN113221406B (zh) 极大压缩变形条件下模型网格自适应修正方法
CN117273165A (zh) 一种适应社区场景的网络模型微调方法、系统及设备
CN113946994A (zh) 一种基于数字孪生体的光滑有限元数值计算方法
CN117610632A (zh) 一种基于参数截断定点化的神经网络轻量化方法
CN116644646A (zh) 岩石的细观重构方法、装置、设备及存储介质
CN111158732A (zh) 访问数据处理方法、装置、计算机设备及存储介质
CN106934453B (zh) 一种立方系材料母相与子相间位向关系的确定方法
CN113887721B (zh) 一种语音识别任务中的训练后量化压缩方法及系统
CN114004058B (zh) 面向业务中台的配用电低压量测数据异常缺失修复方法
CN116187403A (zh) 存储介质、模型简化装置和模型简化方法
US20220044370A1 (en) Image processing methods
CN113705784A (zh) 一种基于矩阵共享的神经网络权重编码方法及硬件系统
CN110609971B (zh) 一种校准多元回归网络构建方法
CN109165113B (zh) 一种数据文件修复的方法
CN112926658A (zh) 基于二维数据嵌入与邻接拓扑图的图像聚类方法及设备
CN110244980A (zh) 一种处理两个有序类别序列保序性的方法及数据流
CN117574966B (zh) 模型量化方法、装置、电子设备及存储介质
DE102019134370A1 (de) Adiabatisches glühschema und system für edge-computing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant