玻尔百科在计算模拟领域，精确建模物理系统（如变形结构或扩展裂纹）是一项重大挑战。传统方法，如有限元法 (FEM)，依赖于结构化网格，在复杂情况下网格可能会缠结和扭曲——这一限制通常被称为“网格的束缚”。本文探讨了无单元伽辽金 (EFG) 法，这是一种强大的无网格技术，通过使用灵活的点云克服了这些挑战。为提供全面的理解，我们将首先在“原理与机制”部分揭示其数学基础和操作细节。随后，“应用与跨学科联系”部分将展示 EFG 在解决断裂力学、非线性材料和自适应模拟等实际问题中的强大能力，揭示其在科学和工程领域的变革潜力。
想象一下，您想描述一块热金属板上的温度分布。传统的方法，即有限元法 (FEM)，是首先在板上绘制一个由三角形或四边形组成的网格。然后，您用每个微小单元上的简单函数（如小平面或曲面）来定义温度。整个过程都依赖于这个预先定义的网格。但如果这块板正在变形、拉伸甚至开裂呢？网格会变得缠结和扭曲，您不得不停下来重新绘制网格，这个过程既计算昂贵又出了名的困难。这就是“网格的束缚”。
无单元伽辽金 (EFG) 法提供了一种绝妙的解决方案。它提出了一个激进的问题：我们能否仅使用一团散乱的点，而它们之间没有任何预定义的连接，来描述连续体的物理特性？答案是肯定的，而通往这个答案的旅程揭示了一片优雅的数学思想和巧妙的实用解决方案的景象。
从核心上讲，EFG 法与其他无网格方法一样，摒弃了单元网格的刚性结构。我们不再使用连接的网格，而是从散布在研究对象各处的一组简单节点开始。这些节点就像传感器，各自携带信息，但它们在拓扑意义上并不知道谁是它们的“邻居”。连接性不是由网格预先定义的，而是从邻近关系中自然产生的。
因此，核心挑战在于如何根据这些节点的离散信息构建一个连续场——无论是位移、温度还是压力。如果我们没有单元来定义我们的近似，我们该用什么呢？这正是该方法独创性的真正所在。
驱动 EFG 法的引擎是一种非常直观的技术，称为移动最小二乘法 (Moving Least Squares, MLS)。让我们通过一个思想实验来理解它。
想象一下，你是一个微小的观察者，站在我们金属板内的一个任意点 上。你想估算你所在确切位置的温度。你无法直接测量，但你可以获取附近所有节点携带的信息。你会如何做出最佳猜测？
你可以简单地取节点值的平均值，但这似乎太天真了。当然，较近的节点应该比远处的节点有更大的影响。因此，你决定使用加权平均。这是向正确方向迈出的一步，但 MLS 更进了一步。
你不仅仅是平均数值，而是尝试将一个简单的函数，比如一个局部平面（对于二维问题），拟合到你附近的节点数据上。这是一个最小二乘拟合：你正在寻找一个平面，该平面使平面与节点值之间的误差平方和最小化。但同样，你应用了权重。你要求附近节点的误差比远处节点的误差重要得多。你通过一个权函数来实现这一点——也许是一个以你的位置 为中心的钟形曲线——它在超过一定距离（称为支持域半径或影响域）后平滑地降至零。
这给了你一个漂亮的、局部拟合的平面，代表了你对周围场的最佳猜测。你在特定位置 的温度就是这个平面在 点的值。
现在说到“移动”部分。如果你移动到一个新的点 ，到所有节点的距离都发生了变化，因此你的权重也随之改变。你进行一次新的加权最小二乘拟合，得到一个新的局部平面。这个近似是为域中的每一个点量身定做的！其结果不是像 FEM 中那样的分片多项式拼凑，而是一个单一、光滑且高度自适应的函数，在任何地方都有定义。
在数学上，这个过程生成了一组形函数 。场的最终近似 写为这些形函数和一组未知节点参数 的线性组合：
这些形函数是该方法的灵魂。它们不是简单的多项式，而是复杂的有理函数（多项式的比值），包含了关于节点几何形状和加权方案的所有信息。一个从最小二乘拟合继承而来的关键特性是，它们可以精确地再生多项式，其阶数达到拟合过程中使用的阶数（例如，线性基函数允许该方法精确再生任何线性场）。这种多项式再生特性是该方法精度和收敛性的关键。
这个优雅的构造带来了一个令人惊讶且深刻的后果。如果你在某个节点（比如节点 ）上评估 MLS 近似，你会发现结果通常不等于节点参数 。形函数不具备克罗内克 delta (Kronecker delta) 特性，即 （其中当 时 为 1，否则为 0）。
为什么会这样？回想一下我们的拟合类比。节点 处的拟合平面受到其所有邻近节点的影响。它是对整个局部数据云的“最佳拟合”，因此没有理由它会精确地通过与节点 相关联的值。它受到其邻近节点的拉扯。
这与标准 FEM 有着根本的不同，在标准 FEM 中，节点值就是节点处的物理值。在 EFG 中，节点参数 是更抽象的系数。这种非插值性不是一个缺陷；它是加权最小二乘过程产生的一个内在特征。强迫形函数具有插值性将需要牺牲使该方法得以成立的多项式再生特性。
然而，这带来了一个实际挑战：我们如何施加边界条件？如果一个问题规定边界节点上的位移必须为零，我们不能简单地将相应的节点参数 设置为零。这样做将是“变分犯罪”，因为它实际上并没有迫使该点的位移为零。
解决方案是以“弱”形式施加这些条件，使用约束优化的强大语言。两种常见的方法是：
到目前为止，我们有了一种复杂的方法来近似一个函数。但是我们如何解决一个物理问题，比如确定一个结构在负载下的变形？我们转向伽辽金法，它建立在一个被称为弱形式或虚功原理的优美而普适的物理陈述之上。
对于一个处于平衡状态的结构，虚功原理指出，对于我们施加的任何微小的、虚构的（虚）位移，内应力所做的功必须精确地平衡外力所做的功。这是一个关于平衡的陈述，不是在单一点上，而是在整个物体上平均的。它用域上的积分来表示。
伽辽金法的步骤非常简单：
这个过程将原始的、困难的微分方程转换成一个熟悉的矩阵系统 ，计算机可以求解。刚度矩阵 将节点参数与力联系起来；其元素 是涉及形函数导数和材料属性乘积的积分，衡量了节点 的位移如何影响节点 处的力。
组装刚度矩阵的一个关键步骤是计算弱形式中的积分。在 FEM 中，这很容易：被积函数是分片多项式，我们逐个单元进行积分。在 EFG 中，形函数导数是复杂的有理函数。我们无法精确地对它们进行积分。
标准的解决方案既实用又有效：我们在我们的域上施加一个简单的、临时的背景积分单元网格（例如，正方形或立方体），它完全独立于节点位置。然后，我们在每个简单的单元内使用标准的数值求积技术，如高斯求积 (Gaussian quadrature)，来近似积分。最终解的准确性取决于这个求积是否足够精细。
人们可能会想走捷径。为什么不直接在节点上计算被积函数并求和呢？这被称为节点积分。它速度极快，但可能带来灾难性的不稳定。这是一个典型的“因小失大”的例子。
节点积分是一种严重的欠积分形式。它可能对某些变形模式“视而不见”。想象一下在规则网格上的节点位移呈棋盘格模式。这种变形显然储存了应变能。然而，由于 MLS 形函数在均匀网格上的对称性，在节点本身计算出的应变对于这种模式可能恰好为零。只在节点处采样信息的节点积分方案被欺骗，以为这种变形不消耗能量。这导致解中出现不可控的剧烈振荡，称为伪零能模式或沙漏模式。
为了解决这个问题，必须要么使用一个稳健的背景积分方案，要么采用复杂的稳定化技术，这些技术旨在惩罚这些特定的沙漏模式，从而恢复系统的稳定性。
有了所有这些复杂的机制，我们如何确信我们的 EFG 代码工作正常？我们使用验证测试。其中最基本的是分片检验 (patch test)。该检验提出了一个简单的问题：当边界条件源自线性位移场时，该方法能否精确地再生一个恒定应变状态？一个无法通过这个基本检验的方法是不可信的，因为它未能捕捉到最基本的变形状态。通过分片检验的能力与 MLS 近似的多项式再生特性直接相关。
最后，使用 EFG 方法不仅是一门科学，也是一门艺术。其性能取决于几个关键参数：
无单元伽辽金法是变分原理和近似理论强大威力的证明。它用其形函数的解析复杂性换取了网格生成的组合复杂性，为解决曾经棘手的问题打开了大门。这是一段从点云的自由，经过局部近似的魔力，到一个稳健而强大的科学发现工具的旅程。
在了解了无单元伽辽金法的原理和机制之后，我们现在来到了探索中最激动人心的部分。就像任何优美的科学思想一样，当我们看到它能做什么时，它的真正价值才得以显现。它打开了哪些大门？它优雅地解决了哪些棘手的问题？我们已经构建了一个强大的新引擎；现在，让我们把它开出去，看看它在工程和科学的挑战性地形上表现如何。我们会发现，它的核心特征——摆脱刚性网格的束缚——不仅仅是数学上的便利，更是一个深刻的优势，使我们能够处理那些对传统方法来说繁琐甚至棘手的问题。
在我们涉足新领域之前，明智的做法是通过观察熟悉的景象来定位自己。人们可能会想：这个“无网格”思想与根深蒂固的有限元法 (FEM) 是一个完全独立的世界吗？答案是，并非如此，这很美妙。它们是数值方法大家族中的亲戚，在特定情况下，它们几乎是同卵双胞胎。
想象一根简单的一维杆。如果我们使用最简单的多项式基函数（线性基）构建一个 EFG 近似，并对我们的数值积分使用一个非常简单的规则（在每个背景单元的中心使用一个“高斯点”），一件了不起的事情发生了。我们推导出的离散平衡方程——即代表杆抗拉伸能力的“刚度矩阵”——与使用相同节点间距的标准线性有限元法所产生的方程完全相同。
这是一个深刻而令人安心的洞见。它告诉我们 EFG 并非某个随机的、临时的发明；它建立在与 FEM 相同的坚实变分基础之上。它是一个泛化，一个更灵活的框架，包含了经典方法作为一个特例。这种联系给了我们信心，当我们开始探索 EFG 额外的灵活性所带来的独特能力时，我们是站在坚实的基础上的。
EFG 最先展示其强大能力的地方之一是在薄结构（如梁和板）的分析中。当使用简单的有限元来模拟一根非常薄的梁的弯曲时，可能会出现一种臭名昭著的数值病态，称为“剪切闭锁”。单元会变得人为地、非物理地刚硬，无法正常弯曲。就好像数值模型卡住了。然而，EFG 提供了一条自然的解决途径。通过仔细选择积分方案——对弯曲能使用更精细的规则，对剪切能使用更简单的规则——我们可以放宽过于刚硬的约束，并完全消除闭锁问题，从而为非常细长结构的挠度提供非常准确的结果。这表明，在 EFG 中用于积分的“背景网格”不仅仅是一个辅助工具，而是一个我们可以用来改善模拟物理特性的复杂调节旋钮。
当然，世界并非总是线性的。许多材料，从橡皮筋到活体生物组织，都会经历大变形，这时简单的线性弹性法则不再适用。为了模拟这些，我们需要非线性固体力学和超弹性的语言。在这方面，EFG 也证明了自己是一个强大而通用的工具。它可以无缝地适应几何非线性（形状发生巨大变化）和材料非线性（应力-应变关系复杂）。例如，我们可以精确地模拟由“Neo-Hookean”材料（一种橡胶模型）制成的杆的大规模拉伸，并将我们的结果与解析解进行核对，这证明了 EFG 在远离微小、简单变化的领域中的稳健性。
无网格方法最引人注目的应用可能是在断裂力学领域。想象一下试图模拟一条裂纹在金属片中扩展。对于基于网格的方法来说，这是一场噩梦。随着裂纹的推进，网格必须不断更新或“重新划分”，以适应新的几何形状。这是一个复杂、易错且计算成本高昂的过程。
EFG 的扩展形式 (X-EFG) 提供了一个惊人优雅的解决方案。我们不是改变节点，而是改变近似本身。我们通过添加一个特殊函数——比如亥维赛德阶跃函数 (Heaviside step function)——来“丰富”标准近似，从而明确地引入一个位移跳跃。节点云保持不变，而位移场的底层数学描述则被“告知”了裂纹的存在。其“支持域”被裂纹分割的节点被赋予了这些额外的能力，使它们能够表示一个表面分离成两边的过程。
还有其他巧妙的方法可以实现这一点。一种是“可见性准则”，这个概念和它的名字一样直观。在计算裂纹附近某一点的近似值时，我们简单地忽略来自裂纹“另一侧”的任何节点的贡献——即不在视线范围内的节点。这自然地创建了一个不连续性，而无需形式上的丰富。这个简单的想法在裂纹尖端附近可能会遇到麻烦，因为那里可能有太多的节点变得不可见，但它可以通过更复杂的规则来增强，比如“衍射法”，它允许影响像波一样绕过裂纹尖端弯曲。
这些能力使无网格方法成为模拟具有演化不连续性问题的理想选择，例如生物力学中的手术切割。作为 EFG 的近亲，再生核质点法 (Reproducing Kernel Particle Method, RKPM) 被明确设计用于在支持域被边界切割时仍保持数学一致性，这使得当切口附近的精度至关重要时，它成为一个优秀但计算量更大的选择。
自然界和工程中的许多重要材料是“近不可压缩的”。想想岩土力学中的饱和土，或主要由水组成的软生物组织。如果你试图挤压它们，它们的体积几乎不变。在数值上，这个特性非常具有挑战性。标准的基于位移的方法可能会遭受“体积闭锁”，这是剪切闭锁的一个变种，其中模型对任何试图稍微改变体积的变形都变得病态地刚硬。
EFG 所基于的伽辽金框架的灵活性再次让我们能够设计出解决方案。我们可以转向“混合格式”。我们不再试图从位移场推断内部压力，而是将压力视为与位移并列的一个主要未知场。然后我们同时求解两者，一个方程用于动量平衡，另一个用于不可压缩性约束。为了使这变得稳定，我们通常对压力使用与位移不同的近似类型——例如，对位移使用光滑的 MLS 函数，而对压力使用定义在背景积分单元上的简单的分片常数函数。这种方法有效地规避了闭锁问题，并能够精确模拟这些重要材料。
我们的旅程以 EFG 最令人智力上满足的特性结束：其智能自我完善的能力。在运行一个复杂的模拟之后，一个关键问题总是存在：“我的答案有多准确？”后验误差估计提供了回答这个问题的工具。通过检查我们控制方程的“剩余部分”——即我们的近似解在每一点上未能满足动量平衡的程度——我们可以计算出一个“残差”。这个残差构成了一个误差指标的基础，告诉我们在我们的域中哪个地方的近似可能最不准确。
这正是“无网格”的真正魔力所在。一旦我们知道误差大的地方——通常是在应力梯度高的区域，比如裂纹尖端或尖角附近——我们就可以创建一个更智能、更高效的模拟。在一个自适应策略中，我们只需告诉计算机将“精力集中”在这些高误差区域。我们可以在这些区域撒入新节点以增加局部解析度，并且可以缩小基函数的支持域大小以更好地捕捉尖锐的局部特征。相反，在解平滑且误差低的区域，我们可以移除节点以节省计算成本。
这个过程可以自动化，允许模拟迭代地自我优化，直到估计误差在任何地方都小到可以接受的程度。这就像一位艺术家，首先勾勒出一个粗略的轮廓，然后回头细致地为画作中最重要的部分添加细节。这种自适应能力，得益于在没有网格刚性约束的情况下自由放置和移动节点的自由，将 EFG 从一个单纯的计算工具转变为一个动态和智能的问题解决伙伴。它体现了计算科学的最终目标：以最小的计算代价实现最大的精度。