三维边界元法中拟奇异积分的正则化及其在薄体与涂层结构中的应用

来源 :山东理工大学 | 被引量 : 0次 | 上传用户:limiao912
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
边界元法(BEM)作为一种重要的数值方法,因其具有计算精度高、降维等优点,近年得到了很大发展,已被广泛应用于科学及工程问题的数值分析中。然而,几乎奇异积分的存在大大地制约了它的应用领域,如三维薄体与涂层结构问题等。虽然,已有许多计算几乎奇异积分的方法,但是大部分都局限于平面几何单元的采用。近年来,尽管在曲面单元上的几乎奇异积分的计算方面取得很大的进展,但是这些方法仅在单个曲面单元上的简单几乎奇异积分计算中得到验证,从未在薄体及涂层结构等实际边值问题中得到检验。薄体与涂层结构一般厚度很薄,有的在微米级甚至纳米级,它的数值分析一直是科学计算工作者面临的挑战。近年来,研究者发现,边界元法求解此类问题的瓶颈是高阶曲面单元上的几乎奇异积分的计算。  本文提出了一种计算三维边界元法中高阶几何单元上的2D拟奇异积分的有效方法。该方法的新颖之处在于:(1)构造了‘精确’的距离公式。此距离公式不仅能够精确地描述场点(源点)与积分单元上的一般点之间的距离r,同时它便于与各种非线性变换结合;(2)拓展Sinh变换到3D边界元法中,并与前述的距离公式有机地结合,有效地降低了距离函数在积分区间上的剧烈震荡,从而充分地将几乎奇异的被积函数规则化。  所提出的方法已在三维薄体与涂层结构中的边界元分析中得到了验证,取得了很理的效果。它表明,本文解决了最一般形式的曲面单元,即8节点二次曲面单元上的几乎奇异积分的计算问题,使得准确、高效地计算三维薄体及涂层结构问题及3D边界元法中的边界层效应问题成为可能。因此,本文不仅成功地解决了薄体及涂层结构计算的困难问题,同时拓展了边界元法的应用领域。
其他文献
神经网络在神经生理学、神经解剖学的范畴内,指的是生物神经未网络;在信息计算机科学等领域内,指的是向生命学习而构造的人工神经网络。神经网络的研究实质是ANN 向BNN 学习
学位
网络技术的飞速发展和Internet的普及使得人们拥有了大量可供选择的信息资源,而如何有效和快速的获取这些资源成了众人关心和研究的问题。搜索引擎的出现提高了信息查找的效
摘要:本论文主要对前馈神经网络混合训练算法进行了研究.近些年,由于神经网络的兴起,其学习算法成为一个非常热门的研究领域之一.而混合训练算法的提出更是给该领域注入了新活
自从Lorenz提出“蝴蝶效应”以来,混沌已经引起了数学,物理学和工程技术人员的极大兴趣。特别是进入二十世纪八十年代以来,混沌学更是与其它科学相互渗透、相互发展,无论是在生物
本文主要研究模糊学习过程一致收敛速度的界。首先讨论了模糊随机变量的函数及d度量的性质;其次就损失函数集的数量为有限和无限两种情况,分别给出模糊学习过程收敛速度的界,并
图的标号着色来自所谓的频道分配问题:某一区域有若干电台,不同的电台要使用无线电波发送信号,为了避免相互干扰,位置十分接近的电台要使用相差足够远的频道,位置较近的电台要使用
自从E.Nordhaus,B.Stewart和A.White等人引进图的最大亏格的概念以来,最大亏格及其相关概念图的上可嵌入性嵌入引起人们的广泛关注.由R.Duck图的亏格插值定理知:考虑图G的所有可
本文研究了ICA的算法及其应用:在算法方面,提出了一种基于向量内积的独立成份分析算法(I-ICA)和一种基于最短路径(shortestpath)和自然梯度法(naturegradient)的OvercompleteIC