Abaqus结构仿真软件的非线性问题与解决方案
2023/5/23 14:22:11
本文主要是介绍Abaqus结构仿真软件的非线性问题与解决方案,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
无论是什么FEA 软件,想要获得非线性问题的一些解决方法始终没有那么简单。遇到问题是很常见的,那么下面就来看看Abaqus用户克服这一类问题的解决方法吧。
1. 简化模型
从简化模型开始,通过逐渐添加详细信息来构建它,例如可塑性和摩擦性可以在开始时排除。由于简化模型工作正常,可以逐一添加详细信息。它更容易找出收敛困难的来源,从而修复它。
2. 位移控制
在许多情况下,并非所有接触部件的自由度都受到限制,期望接触会防止不受约束的僵硬身体运动。对于此类问题,建议使用位移控制而不是负载控制来建立初始接触。对于未建立初始接触的负载控制接触问题,可能会发生不受约束的刚性身体运动。另一种选择是在接触界面引入粘性阻尼,以消除刚体运动。
3. 增量大小
对于高度非线性问题,初始增量大小设置得足够小。还将最大增量大小设置为小值,以防预期突然僵硬变化,否则它会跨越临界点,可能需要更多迭代才能收敛。
4. 可塑性
Abaqus 假设在应力应变曲线的最后指定数据点之后具有完美的塑料行为。一旦一个区域达到该点,它就无法抵抗进一步的变形,因为它没有刚度。它可能会导致收敛困难。建议添加一个具有较大应变的附加数据点,以便最后一条曲线的斜度略有增加。
5. 不可压缩材料
使用混合元件进行几乎不可压缩的材料。
6.不对称解算器
如果将摩擦包含在模型中,则会向方程系统添加不对称的术语。默认情况下,如果摩擦系数小于 0.2,Abaqus/Standard 使用对称溶解器,如果摩擦系数高于 0.2,则调用不对称解算器。假设当摩擦系数低时,不对称术语相当小,对称溶剂工作正常。对于较高的摩擦系数,不对称术语变得显著,不对称的解算器可以提高收敛率。
对于使用"表面到表面"光盘接触表面相对有限滑动的问题,即使摩擦系数小于 0.2,不对称的术语也可能变得显著,导致速度变慢,甚至没有收敛。在这种情况下,必须调用不对称的解决者来克服收敛困难。
图1:调用不对称解算器
一般来说,不对称的解算器比每次迭代的对称解算器更昂贵,但是,非对称解算器所需的迭代通常较少,并且实现更快的收敛速度。
7. 体积比例阻尼
对于局部不稳定的准静态问题,使用自动稳定功能来消散应变能量。自动稳定应用体积比例阻尼来稳定模型。
8. 线性搜索
在强烈的非线性问题中,默认情况下在 Abaqus/Standard中使用的全牛顿解决方案技术有时可能会在平衡迭代过程中出现差异。为了解决这些困难,Abaqus 提供了可视为收敛增强技术的线搜索算法。线搜索算法检测发散,并将比例系数应用于计算的位移校正。其目的是找到一个更好的配置,这将有助于克服分歧。
默认情况下,在使用全牛顿方法时,线路搜索算法无法启用。搜索过程可以通过将参数设置为以下图所示的合理值来激活。此处表示行搜索迭代的最大数量。
图3:激活搜索算法
线搜索不仅在因背离而无法实现平衡的情况下有用,而且还可以提高收敛速度缓慢问题的收敛率。
这篇关于Abaqus结构仿真软件的非线性问题与解决方案的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-12-17机器学习资料入门指南
- 2024-12-06如何用OpenShift流水线打造高效的机器学习运营体系(MLOps)
- 2024-12-06基于无监督机器学习算法的预测性维护讲解
- 2024-12-03【机器学习(六)】分类和回归任务-LightGBM算法-Sentosa_DSML社区版
- 2024-12-0210个必须使用的机器学习API,为高级分析助力
- 2024-12-01【机器学习(五)】分类和回归任务-AdaBoost算法-Sentosa_DSML社区版
- 2024-11-28【机器学习(四)】分类和回归任务-梯度提升决策树(GBDT)算法-Sentosa_DSML社区版
- 2024-11-26【机器学习(三)】分类和回归任务-随机森林(Random Forest,RF)算法-Sentosa_DSML社区版
- 2024-11-18机器学习与数据分析的区别
- 2024-10-28机器学习资料入门指南