玻尔百科在计算科学领域，有限元网格长期以来一直是解决复杂物理问题的基础支架。然而，对于涉及大变形、移动边界或裂纹扩展的现象，这种刚性结构成为一种负担，需要不断进行昂贵的调整。这一局限性使我们在精确模拟某些最具挑战性的工程和科学问题方面存在巨大差距。本文将介绍无网格伽辽金方法，这是一类强大的数值技术，它通过从可适应的点云构建解，将模拟从“网格的束缚”中解放出来。
本文将引导您进入这些先进方法的复杂世界。第一部分“原理与机制”将揭示一个连贯的物理描述是如何从简单的节点集合中产生的，探讨移动最小二乘近似、一致性和完备性的关键规则，以及这种新获得的自由所带来的内在挑战。随后，“应用与跨学科联系”部分将展示这些方法的实际威力，演示它们在断裂力学中的应用、克服常见数值陷阱的能力，以及它们与数据科学和不确定性量化前沿领域之间令人惊讶而有力的联系。
建造房屋需要脚手架。几十年来，解决复杂物理问题的工程师们一直依赖一种称为有限元网格的数字脚手架。这种由三角形或四边形组成的网格为构建解提供了结构。但如果问题本身很复杂呢？想象一下跟踪一条裂纹撕裂材料的过程，或者模拟波浪的混沌飞溅。刚性网格可能会成为一件紧身衣，随着物理过程的展开而扭曲和破裂。无网格方法的诞生源于一种解放的渴望——将我们的解建立在一个灵活、可适应的点云之上，而非刚性的脚手架之上。
但是，仅仅一团散布在空间中的点云，如何能产生一个连贯的物理描述呢？这正是该方法的真正魅力所在。关键不在于点本身，而在于连接它们的影响网络。我们即将踏上一段旅程，去理解这个网络是如何编织的，它必须遵守哪些规则，以及我们为这种新获得的自由付出了什么代价。
想象一下，您正站在我们节点云中的任意一点 上。您想估计您所在确切位置的温度、压力或位移。您周围的每个节点都有这个量的值。您会如何做出最佳猜测？您可能会更多地听取离您近的节点，而不是远的节点。您可能会尝试用一个简单的曲面——一个平面或一条平缓的曲线——来拟合附近的数据点，以插值出您所在位置的值。
这正是移动最小二乘（MLS）近似背后的直觉，它是许多无网格方法（如无单元伽辽金方法（EFG）和再生核质点法（RKPM））的引擎。在我们想要知道解的每一点 处，我们都会进行一次局部“选举”。附近的节点是投票者。它们的“选票”（它们的参数值 ）根据它们与 的距离进行加权。然后我们找到一个简单的局部多项式，比如说 ，来最佳地拟合这些加权数据。基函数 包含诸如 这样的简单函数，用于二维线性拟合。选择系数 来最小化多项式与节点参数之间的加权平方误差和：
其中， 是权函数（或核函数），对于附近的节点其值较大，并在称为支持域的某个影响半径之外平滑地降至零。
求解这个最小化问题会得到一个涉及一个关键对象的方程组：矩量矩阵 。该矩阵捕捉了相邻节点的几何形状。为了使我们的局部多项式拟合唯一且稳定，该矩阵必须是可逆的。如果可逆，我们就可以求解系数 ，并最终在我们感兴趣的点 处评估我们的最佳拟合多项式，从而得到我们的近似值 。
经过一番优美的代数运算，整个过程可以重新表达为一种我们熟悉的形式：
其中 是节点参数。函数 是最终得到的无网格形函数。每个 代表节点 在点 处的“影响”。与有限元法（FEM）中简单的分段多项式“帽”函数不同，这些形函数是复杂的、光滑的有理函数，由节点的局部民主共同编织而成。它们正是我们无网格近似的织物。
编织形函数的这个过程很优雅，但为了使我们的最终解具有物理意义，这块织物必须具备某些属性。这些不是任意的规则；它们是我们的近似与底层物理保持一致的最低要求。
第一个也是最基本的属性是单位分解（PU）。这简单地意味着在任何点 ，所有形函数之和必须为一：
这在物理上意味着什么？想象一个物体正在进行刚体平移，其中每个点都移动了相同的恒定距离。我们的近似必须能够精确地表示这种状态，并且至关重要的是，计算出零应变和零应力。单位分解属性保证了这一点。它确保如果我们为每个节点参数赋相同的值，那么各处的插值结果也是那个相同的常数值。
但这足够吗？常应变状态或刚体旋转呢？这些状态由形式为 的线性位移场描述。为了使我们的方法在物理上是现实的，它必须能够精确地再生这些线性场。这个属性被称为线性完备性（或一阶完备性）。它不仅要求 ，还要求 。
有人可能会想，简单的单位分解是否意味着线性完备性。答案是响亮的“不”。考虑简单的“Shepard”方法，其中形函数只是归一化的权函数：。根据定义，这种构造满足单位分解。然而，它甚至无法再生像 这样的简单线性函数。这就是为什么需要移动最小二乘法这种更复杂的机制，它在其构造中明确地构建了局部多项式基。通过在我们的局部拟合中包含像 这样的基函数，我们从设计上就强制实现了线性完备性。这种精确捕捉线性场的能力是求解弹性和传热等二阶方程的一致性的基石，也是通过称为检验元测试（patch test）的基本质量控制检查的要求。
我们可以将其推广到m阶完备性，即再生任何次数不高于 的多项式的能力。这一属性决定了我们方法的基本精度：更高的完备性使我们能够捕捉更复杂的解的特征。
这种从网格中解放出来的自由是强大的，但并非没有代价。它引入了一系列必须被理解和解决的独特挑战。
在有限元世界中，形函数具有克罗内克δ（Kronecker delta）性质：节点 的形函数在节点 处为1，在所有其他节点处为0。这使得施加本质边界条件（如固定位移）变得微不足道：你只需设置节点自由度的值。
无网格形函数源于平滑、最佳拟合的过程，不具备这种便利性。近似值在节点处的值 是其邻近节点参数的加权平均，因此它不等于其自身的参数 。这意味着我们不能简单地“钉住”边界节点的值。
相反，我们必须“协商”边界条件。这通过弱施加方法来完成。罚函数法在能量泛函中增加一项，其作用类似于一个刚性弹簧，将解拉向期望的边界值。拉格朗日乘子法在边界上引入一个新的未知场，该场充当精确执行约束所需的力。而Nitsche方法，一个优雅且流行的选择，通过在弱形式中添加项来一致地施加条件，而无需增加新的未知数，从而保持了问题的结构。
我们所操作的数学框架——伽辽金方法，要求我们在整个域上计算积分。没有单元可以进行积分，我们该如何进行？
标准解决方案是在我们的域上叠加一个简单的“积分单元”背景网格。这个网格独立于节点布置，其唯一目的是将域分解成简单的部分，以便我们可以执行数值积分，通常使用高斯求积。
但这提出了一个关键问题：这个积分必须有多精确？草率的积分会毁掉一个原本优秀的近似。经验法则是，这取决于我们形函数的完备性。如果我们的近似具有 阶完备性，其导数通常可以再生 阶的多项式。内能涉及这些导数的乘积，其行为类似于 阶的多项式。为了保持我们方法的精度，我们的数值求积必须至少对这个阶数（）的多项式是精确的。如果精度不足，积分误差将污染我们的解。
也许无网格方法中最艰巨的挑战是确保稳定性。一个看似合理的离散化方案可能隐藏着“幽灵般”的不稳定性，使解变得毫无意义。
一种臭名昭著的不稳定性源于积分上的“懒惰”。如果我们使用节点积分——即通过简单地将在节点处被积函数的值求和来近似域积分——我们就有可能产生伪零能模式，通常称为沙漏模式。对于某些规则的节点排列，可能会出现振荡的“棋盘格”位移模式，尽管这些模式非零，但在节点处产生的应变恰好为零。节点积分方案对这些变形是“盲目”的，并赋予它们零能量。由此产生的刚度矩阵是秩亏的——它的零空间比物理刚体模式更大——系统因此变得不稳定。解决方法是使用适当的背景积分方案，或者添加专门设计用来惩罚这些沙漏模式的稳定项。
另一个潜在的问题是病态。最终的线性方程组 理论上可能可解，但在数值上却很脆弱，就像纸牌屋一样。这可能由两个主要原因引起：
我们为什么要费尽周折地构造具有特定属性的形函数，并应对边界、积分和稳定性的挑战？回报是一种强大而精确的数值方法。
成功的最终衡量标准是收敛性：当我们通过增加更多节点来细化离散化（即，特征间距 趋于零时），我们的数值解 应收敛于真实解 。收敛率告诉我们这个过程有多快。对于一个形函数具有m阶完备性的方法，近似理论告诉我们，如果积分计算精确，误差应与 成比例下降：
这是一个优美的结果。它直接将我们近似基的“能力”（完备性阶数 ）与我们可以预期的最终精度联系起来。
然而，只有当我们机制的所有部分协调工作时，才能实现这个最优速率。正如我们所见，数值积分并非精确。根据一个称为Strang第二引理的基本结果，总误差由链条中最薄弱的环节决定。如果我们的近似误差是 阶，但我们的积分方案的一致性误差仅为 阶，那么我们方法的总收敛率将受两者中较慢者的限制：。这突显了一个深刻的原则：在数值方法中，每个组成部分都很重要。近似的优雅可能会被积分的笨拙所抵消。
因此，无网格伽辽金方法的原理和机制描绘了一幅在自由与约束之间进行的复杂舞蹈的画面。通过放弃刚性网格，我们获得了难以置信的灵活性。但要驾驭这种自由，我们必须根据严格的一致性规则仔细编织我们的近似织物，警惕地应对边界和积分的挑战，并不断防范不稳定性的幽灵。这种勤奋的回报是一种具有非凡能力和多功能性的方法，能够解决我们曾经无法企及的问题。
现在我们已经熟悉了无网格伽辽金方法的优雅原理和内部工作机制，我们就像学会了音符和音阶的音乐家。真正的乐趣不是来自了解规则，而是用它们来创作音乐。这些方法能带我们去向何方？我们能谱写出什么样的科学和工程交响乐？事实证明，我们因其数学之美而欣赏的那些特性——光滑、重叠的基函数以及不受刚性网格束缚的自由——恰恰是解决物理世界中一些最顽固、最迷人问题的关键。
我们对无网格方法应用的探索之旅，并非一次对成品的简单巡礼。相反，这是一次进入计算科学家思想深处的旅程，这段旅程始于一个关键问题：“我们如何知道我们是对的？”
在我们能够自信地模拟喷气发动机或预测生物细胞的行为之前，我们必须对我们的工具抱有近乎狂热的信心。任何数值方法，无论多么复杂，都必须首先证明其价值。无网格方法通过一系列严苛的检验来做到这一点。
其中最基本的一个是检验元测试（patch test）。想象一个我们均匀拉伸的简单材料块。产生的应变状态在整个块体中是恒定的。任何一个有自尊的模拟工具显然都应该能够精确地再现这个简单状态。检验元测试就是对这种能力的正式验证。如果一种方法不能通过这个测试——如果它在一个简单的常应变场中引入了伪的、非物理的能量——那么它在根本上是有缺陷的，不能用于更复杂的问题。无网格伽辽金方法的美妙之处在于，凭借其精心构造的多项式再生能力，它们从一开始就被设计为能够通过这些测试，前提是弱形式中的积分计算得足够仔细。这是该方法与物理现实的第一次握手。
但这些新方法与计算工程中值得信赖的主力军，如有限元法（FEM），有何关系？一个有趣的练习揭示，在某些特定条件下——例如，使用线性基，并选择特定的支持域尺寸和简化的积分规则——用于简单一维杆的无网格伽辽金公式会产生与标准线性有限元法相同的刚度矩阵。这不是巧合，而是一个深刻的见解。它告诉我们，无网格方法并非外来物种，而可以被看作是FEM的强大推广。它们将经典方法作为极限情况包含在内，但通过调整其参数（如支持域尺寸和多项式再生阶数），提供了更为广阔的可能性宇宙。
建立信心的最后一步是将我们的代码与已知答案进行测试。但对于复杂问题，精确的解析解很少。在这里，计算科学家们采用了一种非常聪明的技巧，称为人造解法（method of manufactured solutions）。我们只需凭空构造一个解——比如，一个弹性方块的光滑波浪形位移场——并将其代入弹性力学的控制方程中。这会精确地告诉我们，为了产生我们构造的解，必须存在什么样的体力（body forces）和边界牵引力（boundary tractions）。然后，我们将这些力和牵引力输入到我们的无网格代码中，并检查它是否恢复了我们最初构造的解。此外，通过使用越来越精细的节点分布来运行模拟，我们可以检查误差是否以理论预测的速率减小。对于具有 阶多项式再生能力的无网格方法，解的误差通常以与 成正比的速率消失，其中 是特征节点间距。看到我们的代码与这个理论收敛率相匹配，才使我们有信心最终将其应用于答案真正未知的问题。
我们的信心得到保证后，现在就可以将无网格方法的全部威力释放在那些让传统基于网格的方法束手无策的问题上。共同的主题是“网格的束缚”——那种使得模拟移动、断裂或具有复杂内部约束的物体变得困难的刚性连接。
无网格方法最引人注目的应用之一是在断裂力学中。预测材料如何以及何时开裂，对于从飞机到桥梁再到核反应堆等一切事物的安全至关重要。对于像FEM这样的基于网格的方法来说，一个正在扩展的裂纹是一场噩梦。随着裂纹尖端的推进，必须不断更新网格以与新的几何形状对齐——这是一个复杂且计算成本高昂的过程，称为网格重划分（remeshing）。
无网格方法以惊人的优雅回避了这个问题。由于节点只是没有固定网格的点云，裂纹可以简单地表示为一条内部线或面。我们只需告诉节点在其存在时如何表现。已经出现了两种主要策略。
可见性准则 非常直观。想象一下，您正站在一个需要计算函数值的求积点上。裂纹是一堵墙。您只需不包括来自墙另一侧的任何节点的贡献——即那些不“可见”的节点。这自动防止了非物理的应力跨越裂纹自由面的传递。通过仅使用可见节点集重新计算局部修正函数，可以保持方法的一致性。
另一种同样强大的思想是单位分解增强。在这里，标准的平滑近似在裂纹附近被“增强”。其支持域被裂纹分割的节点被赋予额外的自由度。这些额外的函数被设计用来专门表示跨裂纹的位移跳跃。这就像给一个节点一个“分裂的人格”，使其能够同时描述不连续面两侧的运动。这种方法也是扩展有限元法（XFEM）的基础，它允许以极高的精度表示裂纹，而与节点布局无关。在这两种策略中，裂纹面上的无牵引力条件都通过伽辽金方法变分结构的自然属性得到满足。
基于网格的方法在存在强物理约束的情况下可能会惨败的另一个领域。考虑一个薄板或薄壳，就像一把金属尺。它很容易弯曲，但如果你试图使其厚度方向发生剪切，它会非常刚硬。这种物理现实必须在模拟中得到反映。然而，简单的低阶有限元常常遭受剪切闭锁 的困扰。它们人为地过强地施加了“无剪切”约束，使得数值模型比实际情况僵硬了几个数量级。模型“锁死”了，拒绝弯曲。
类似的现象，体积闭锁，发生在模拟像橡胶这样的近不可压缩材料时。约束是体积不能改变。同样，低阶单元会过度约束变形，导致毫无用处的刚硬响应。
无网格方法以其固有的高阶连续性和灵活的基函数构造，提供了一种自然的解决方法。通过选择至少能再生二次多项式的形函数，我们可以精确地表示纯弯曲状态，而不会引起任何伪剪切应变，从而消除剪切闭锁。对于不可压缩性，无网格方法的灵活性允许构建稳定的混合格式，其中位移场和压力场在不同的、数学上兼容的空间中进行近似——满足著名的Ladyzhenskaya–Babuška–Brezzi (LBB) 条件——从而避免闭锁。
无网格方法的适用性远远超出了这些特定的挑战。它们无缝地集成到计算工程的标准工作流程中。例如，在模拟金属的永久变形（弹塑性）时，无网格伽辽金框架提供了全局系统，而复杂的材料行为则由每个求积点的局部“返回映射”算法处理。材料模型所需的每个点的应变增量，直接由光滑的无网格形函数的梯度计算得出。
此外，在多物理场问题中，定制近似的能力是一个独特的优势。在热力耦合模拟中，温度场可能在长距离上平滑变化，而应力场可能有急剧的梯度。无网格方法允许我们为每个场使用不同的近似方案——例如，对温度使用大的支持域半径 ，对位移使用较小的半径 ——所有这些都在一个单一、一致的框架内完成。
也许最激动人心的联系是那些正在计算力学和数据科学交叉点上形成的联系。在这里，视角从简单地寻找一个“正确”的答案转变为量化我们预测中的不确定性。
移动最小二乘法与现代机器学习的基石——高斯过程（GP）回归之间存在着显著的联系。在某些条件下，MLS预测器等同于GP的均值预测。这座桥梁是变革性的，因为GP框架自带一种计算后验方差的自然方法——这是我们模拟的一个数学上严谨的“误差棒”。我们可以生成一个解，它不仅为我们提供位移场，还提供一张显示预测最不确定区域的图。这些信息对于工程设计是无价的，并可用于驱动自适应算法，自动在高不确定性区域放置新节点，从而创建不仅准确而且“智能”的模拟。
不确定性量化（UQ）的这个概念也可以向内应用。我们对节点位置和支持域半径的选择在某种程度上是任意的。我们的结果对这些选择有多敏感？通过将节点位置和支持域大小本身视为随机场，我们可以使用像随机配置这样的技术，将这种不确定性传播到整个模拟过程中。这告诉我们我们的预测相对于离散化本身的鲁棒性如何，从而使我们对“数字孪生”的可靠性有更深的理解。
从确保基本的物理一致性到模拟灾难性失效，从模拟复杂的多物理场到量化我们自身知识的极限，无网格伽辽金方法提供了一个强大而统一的框架。它们代表了物理学、数学和计算机科学的美丽融合——证明了寻求一种更深刻、更灵活的语言来描述我们周围世界的力量。