YORUNOKUNI

有限元分析-材料非线性(一) 弹塑性

1. 前言

结构非线性的内容包含三部分，分别是几何非线性、材料非线性和状态非线性，几何非线性及其相关知识的补充已经完结，从本章开始进行材料非线性内容的叙述。材料非线性部分内容较多，涉及到很多材料的本构模型及相应的案例，因此分为多个章节。本章先对基本理论进行介绍，之后开始材料非线性的第一部分—弹塑性。

材料非线性在工程领域应用广泛，主要有塑性成形，结构密封，橡胶圈减震等等。ANSYS Workbench中也提供了多种非线性材料模型，包括弹塑性、粘塑性、超弹性、橡胶、蠕变等等。那什么是材料的非线性呢？以几何非线性为例，当力和变形的关系使结构刚度发生变化，即刚度K是变形的函数时，称为几何非线性。材料非线性也是如此，不过这时的非线性关系体现在应力和应变之间。

ANSYS中的材料非线性主要以下几种：

率无关塑性：“率”是指应变率，率无关可以解释为材料的响应和载荷速率或变形速率无关。所以率无关塑性可以简单理解为，材料塑性应变的发生跟时间没有关系！低温(小于¼或⅓的熔点)时大多数材料呈现率无关行为，我们本文要讲的弹塑性就是率无关塑性；

率相关塑性：同理，率相关就是材料的响应跟时间有关系，即材料的塑性应变是加载速度和时间的函数，粘塑性就属于率相关塑性；

蠕变：材料的蠕变行为也是率相关的，所产生的的应变随时间推移而发展，但是蠕变的时间尺度要比率相关塑性大得多；

非线性弹性：材料的应力应变关系是非线性的，但所有的应变都可以恢复；

超弹性：应力应变关系由应变能密度势函数定义，用于模拟橡胶和泡沫等材料，所有应变可恢复；

粘弹性：也是一种率相关材料，这种材料的应变中包含弹性应变和粘性应变；

混凝土：可以模拟断裂和压碎；

膨胀：材料在中子流作用下的体积扩大效应；

在材料非线性专题中，我们将对上面这些特性进行详细描述。

2. 基础理论

本节对弹塑性材料分析涉及到的基本理论进行介绍，首先是材料的应力-应变曲线，这部分内容在材料力学中出现过；之后是弹塑性理论涉及到的准则，包括屈服准则，用来定义材料何时从线弹性过渡到弹塑性；流动准则，用来确定塑性变形的方向；强化准则，用来给出塑性变形过程中屈服准则的强化规律。

2.1 应力-应变曲线

在材料力学中我们学过金属材料的单轴拉伸试验，单轴试验是最常见的材料试验，根据该试验我们可以得到材料的工程应力-应变曲线，如下图所示。通过该图对弹塑性分析中的一些概念进行介绍。

图2.1 材料单轴拉伸的应力-应变曲线

2.1.1 塑性与屈服极限

图中曲线OA段为材料的弹性阶段，应力-应变曲线处于线性正比关系，材料所产生的的变形均为弹性变形，卸载后可恢复原状。其中A点是弹性阶段的终点，该点的应力称为比例极限 $\sigma _{p}$ 。当我们继续加载超过A点使曲线处于AB段时，材料的应力-应变关系就不再是线性了，即很小的应力增量就会产生很大的应变。如果继续加载超过B点，应力-应变曲线将进入塑性变形区域，此时卸去载荷后变形不能完全消除，材料出现永久的残余变形，这就是塑性变形。将B点的应力称为屈服极限 $\sigma _{s}$ (或 $\sigma _{y}$ )，由于比例极限和屈服极限很接近，在ANSYS中假定两者相同，即OB段为弹性阶段，我们的线弹性分析均是在这一阶段进行的。

还有一些材料也存在塑性变形，但是不会出现很明显的屈服阶段。对于这类材料，工程上规定把塑性应变达到0.2%时的应力值作为屈服极限。

2.1.2 工程曲线与真实曲线

图2.1中存在两条应力-应变曲线，其中实线称为工程应力-应变曲线，或名义应力-应变曲线，虚线称为真实应力-应变曲线。在ANSYS的材料非线性分析中我们使用的是真实应力-应变曲线，下面将对这两种曲线进行介绍。

在单轴拉伸试验中，假定我们的试棒初始截面面积为 $A_{0}$ ，初始长度为 $l_{0}$ ，变形后的截面面积为，变形后的长度为，载荷为F，如下图所示。

图2.2 单轴拉伸试验

1. 工程应力-应变

计算公式如下所示，可以看出公式是基于小应变假设建立的，用结构的初始几何形状进行计算。但是在单轴拉伸试验中我们观察到，试棒的变形经历了4个阶段，即弹性阶段-屈服阶段-强化阶段-颈缩阶段，颈缩达到F点后发生断裂。

$\sigma _{e}=\frac{F}{A_{0}}$ (2.1)

$\epsilon _{e}=\frac{l-l_{0}}{l_{0}}$ (2.2)

从公式中可以看出，在计算应力时并没有考虑到截面面积的变化，即使最后发生了颈缩，但工程应力的计算仍然使用了初始截面面积，这显然是不准确的。以E点的应力值为例，显然断裂时的截面面积减少了，所以真实的断裂应力应该大于工程断裂应力！在工程实践中，基于简单便于应用和安全的原理，可以继续使用工程应力-应变曲线，但是如果要模拟材料的非线性力学行为，还是要使用真实的应力-应变曲线。

2. 真实应力-应变

计算公式如下所示，可以看出，在应力公式中使用了变形后的截面面积，应变也成了长度的非线性函数，显然更符合实际情况。

$\sigma _{r}=\frac{F}{A}$ (2.3)

$\epsilon _{r}=\int_{l_{0}}^{l}\frac{1}{x}dx=ln\left ( \frac{l}{l_{0}} \right )$ (2.4)

假设在拉伸或压缩过程中材料体积不变，可以得到真实应力-应变和工程应力-应变之间的转换关系，公式如下：

$A_{0}l_{0}=Al$ (2.5)

$\sigma _{r}=\sigma _{e}\times \left ( 1+\epsilon _{e} \right )$ (2.6)

$\epsilon _{r}=ln\left ( 1+\epsilon _{e} \right )$ (2.7)

在图2.1中可以看出，未到达屈服点前，真实应力应变与工程应力应变几乎完全吻合，因此若我们只进行线弹性分析，就不用对这两种曲线进行区分。但是过了屈服点之后两种曲线产生差别，真实应力要明显大于工程应力，因此当我们考虑塑性时就必须要使用真实应力-应变曲线了。

综上，在处理弹塑性材料时，我们的重点工作就是表示出屈服点后的应力-应变关系，这种关系可以通过线性拟合得到，并且根据拟合方法的不同，弹塑性材料的本构模型分成很多种类，这在下文会进行详述。

实例1：真实应力-应变的转换

已知工程应力和应变通过试验获得，且在200MPa时材料发生屈服，可以计算出线弹性阶段的弹性模量E=210GPa，真实应力可以通过式(2.6)计算获得，真实应变可以通过式(2.7)计算获得。我们得到的工程应变和真实应变都是总应变，其中包含了弹性应变和塑性应变，如式(2.8)所示。

$\epsilon =\epsilon _{el}+\epsilon _{pl}$ (2.8)

其中 $\epsilon _{el}$ 为弹性应变， $\epsilon _{pl}$ 为塑性应变。超过屈服点以后弹性变形就不再增加了，屈服点后的应变均为塑性应变。在定义材料过程中，有时我们需要知道材料的塑性应变，可通过下式获得：

$\epsilon _{pl}=\epsilon _{r}-\frac{\sigma _{r}}{E}$ (2.9)

式中真实应变 $\epsilon _{r}$ 减去的项就是弹性应变 $\epsilon _{el}$ ，可通过真实应力和弹性模量计算得到。根据这些关系式我们可以轻松地完成下表。

表2.1 应力-应变转换
工程应力(MPa)	工程应变	真实应力(MPa)	真实应变	塑性应变
200	0.00095	200.19	0.00095	0.0
240	0.025	246	0.0247	0.0235
280	0.05	294	0.0488	0.0474
340	0.1	374	0.0953	0.0935
380	0.15	437	0.14	0.138
400	0.2	480	0.182	0.18

3. 伸长率和断面收缩率

定义伸长率为：

$\delta =\frac{l-l_{0}}{l_{0}}\times 100\%$ (2.10)

定义断面收缩率为：

$\psi =\tfrac{A-A_{0}}{A_{0}}\times 100\%$ (2.11)

对于低碳钢：δ=20%~30%，ψ=50%~60%，这两个值越大说明材料塑性越好。工程上通常根据伸长率将材料分为两类：δ≥5%的为塑性材料，δ＜5%的为脆性材料。

2.2 屈服准则

对于单向受拉的结构，通过对比轴向应力和屈服极限就可以判断出是否出现塑像变形，但是在工程中遇到的结构往往会受到拉压、扭转、弯曲、剪切等多种载荷的作用，从而产生多轴应力。在多轴状态下要如何判断结构是否屈服呢？根据屈服准则可以将多轴应力转换成一个标量，即等效应力，将等效应力与单轴屈服极限对比。简而言之，屈服准则用于定义材料在何时从线弹性转变为弹塑性。

ANSYS中设置多种屈服准则，如Von Mises屈服准则，Hill屈服准则，广义Hill屈服准则，下面我们将逐一介绍。

2.2.1 Von Mises屈服准则

这是一个比较通用的准则，尤其适用于各向同性的金属材料，该屈服准则的等效应力计算公式如下：

$\sigma _{von}=\sqrt{\frac{1}{2}\left [\left ( \sigma _{1}-\sigma _{2} \right )^{2}+\left ( \sigma _{2}-\sigma _{3} \right )^{2}+\left ( \sigma _{1}-\sigma _{3} \right )^{2} \right ]}$ (2.12)

三维坐标系下的函数图像如下所示，可以看出屈服面是一个以 $\sigma _{1}=\sigma _{2}=\sigma _{3}$ 为中心线的圆柱面，在2D空间(σ3=0)下屈服面是一个椭圆，长轴在45°方向上。在屈服面内的任何应力状态都是弹性的，相反屈服面外的应力状态会造成屈服。但是该屈服准则没有考虑静水压力(三个主应力相等时)对屈服的影响，即处于静水压力下不会屈服，根据式(2.12)算出的等效应力为0。其实金属材料在工程中几乎不会遇到三个主应力相等的情况。

图2.3 Mises准则的屈服面

2.2.2 Hill屈服准则

相对于Von Mises屈服准则，Hill准则可以考虑金属材料的弹性参数的各向异性和屈服强度的各向异性，等效应力的计算公式如下：

$\sigma _{hi}=\sqrt{H\left ( \sigma _{x}-\sigma _{y} \right )^{2}+F\left ( \sigma _{y}-\sigma _{z} \right )^{2}+G\left ( \sigma _{x}-\sigma _{z} \right )^{2}+2N\tau _{xy}^{2}+2L\tau _{yz}^{2}+2M\tau _{xz}^{2}}$ (2.13)

其中6个材料常数H、F、G、N、L、M可以通过试验结果获得，计算公式如下：

$\begin{matrix} G+H=\frac{1}{R_{xx}^{2}} & F+H= \frac{1}{R_{yy}^{2}}& F+G=\frac{1}{R_{zz}^{2}} \\\\ N=\frac{3}{2R_{xy}^{2}}& L=\frac{3}{2R_{yz}^{2}} & M=\frac{3}{2R_{xz}^{2}} \end{matrix}$ (2.14)

上式右端的6个常数为材料的屈服应力比率，计算公式如下：

$\begin{matrix} R_{xx}=\frac{\sigma _{xx}^{y}}{\sigma _{0}} & R_{yy}=\frac{\sigma _{yy}^{y}}{\sigma _{0}} & R_{zz}=\frac{\sigma _{zz}^{y}}{\sigma _{0}}\\ \\R_{xy}=\sqrt{3}\frac{\sigma _{xy}^{y}}{\sigma _{0}}& R_{yz}=\sqrt{3}\frac{\sigma _{yz}^{y}}{\sigma _{0}} &R_{xz}=\sqrt{3}\frac{\sigma _{xz}^{y}}{\sigma _{0}} \end{matrix}$ (2.15)

其中 $\sigma _{ij}^{y}$ 为各个方向的屈服应力， $\sigma _{0}$ 为参考屈服应力。Hill准则的屈服面与Mises准则的屈服面相同。

2.2.3 广义Hill准则

该准则是对Hill准则的进一步延伸，不仅考虑了材料在三个正交方向上屈服强度的不同，而且还考虑了拉伸状态和压缩状态下屈服强度的不同。等效应力的计算公式如下：

$\sigma _{gh}=\left ( \frac{1}{3}\left \{ \sigma \right \}^{T}\left [ M \right ]\left \{ \sigma \right \}-\frac{1}{3}\left \{ \sigma \right \}^{T}\left \{ L \right \} \right )^{\frac{1}{2}}$ (2.16)

$\begin{matrix} M=\begin{bmatrix} M_{11} &M_{12} &M_{13}&0 &0&0 \\ M_{12} & M_{22} & M_{23} & 0 & 0 &0 \\ M_{13} &M_{23} & M_{33} & 0 &0 &0 \\ 0 & 0 & 0 &M_{44} & 0 &0 \\ 0 & 0 & 0 & 0 &M_{55} & 0\\ 0&0 & 0 & 0& 0 & M_{66} \end{bmatrix}\\\\ \left \{ L \right \}=\left [ L_{1}, L_{2}, L_{3},0,0,0 \right ]^{T}\\ \\M_{jj}=\frac{K}{\sigma _{+j}\sigma _{-j}} ,j=\left [ 1,...,6 \right ]\\ \\M_{12}=-\frac{1}{2}\left ( M_{11}+ M_{22}- M_{33} \right )\\ \\M_{13}=-\frac{1}{2}\left ( M_{11} -M_{22}+M_{33} \right )\\\\ M_{23}=-\frac{1}{2}\left (- M_{11}+ M_{22}+M_{33} \right )\\\\ L_{j}=M_{jj}\left ( \sigma _{+j}-\sigma _{-j} \right ),j=1,2,3\end{matrix}$ (2.17)

上式中， $\sigma _{+j}$ 和 $\sigma _{-j}$ 分别是j方向的拉伸和压缩屈服强度，将压缩屈服应力视为正值处理。单轴屈服强度值的选取需要使得以下两个等式成立：

$\begin{matrix} \frac{\sigma _{+x}-\sigma _{-x}}{\sigma _{+x}\sigma _{-x}}+\frac{\sigma _{+y}-\sigma _{-y}}{\sigma _{+y}\sigma _{-y}}+\frac{\sigma _{+y}-\sigma _{-y}}{\sigma _{+y}\sigma _{-y}}=0\\\\ M_{11}^{2}+M_{22}^{2}+M_{33}^{2}-2\left ( M_{11} M_{22}+ M_{22} M_{23}+ M_{11} M_{33} \right )< 0\end{matrix}$ (2.18)

广义Hill准则的屈服面如下图所示。

图2.4 广义Hill准则的屈服面

2.3 流动准则

流动准则定义了发生屈服时塑性应变的方向，由下面的方程给出：

$\left \{ d\epsilon ^{pl} \right \}=\lambda \left \{ \frac{\partial Q}{\partial \sigma } \right \}$ (2.19)

其中λ为塑性乘子，决定了塑性应变量，Q为塑性势，决定了塑性应变的方向。流动准则可以分为关联流动和非关联流动：

关联流动：Q是屈服函数，塑性应变垂直于屈服面，塑性流动方向与屈服面法线方向相同。适用于金属和其他呈现不可压缩的非弹性材料。
非关联流动：塑性应变不垂直与屈服面，适用于内部摩擦滑动而塑性变形的土壤和颗粒材料，如ANSYS APDL中的Drucker-Prager本构模型，该模型在Workbench中没有集成，需要通过命令进行添加，在后面遇到时会详细描述。

2.4 强化准则

强化准则描述了初始屈服准则随着塑性应变的增加是如何发展的。对于理想弹塑性材料，屈服面保持不变。但是实际工程上，当材料应力超过屈服面后，卸载后重新加载，后继屈服面的这个圆柱形状的轴心、尺寸、形状等都有可能发生改变，强化准则的作用便是描述屈服面的变化，确定材料在重新加载时的屈服点。例如，机加工中的喷丸处理，零件经过喷丸后表面的屈服应力相较于未处理时会提高，零件表面得到强化。在ANSYS中使用了三种强化准则，如下所示：

1. 等向强化：也称为各项同性硬化，是指屈服面在所有方向上均匀扩张。由于等向强化，所以在受压方向的屈服应力等于受拉过程中达到的最大应力值。

例如，经单轴拉伸试验获得一个金属试棒的拉伸屈服应力为200MPa，认为试棒的拉伸屈服应力和压缩屈服应力相同。在等向强化的规则下，拉伸试棒使结构的最大应力到250MPa，显然此时已经出现了塑性变形；之后卸去载荷，对试棒反向施加压力，可以观察到，在压力的作用下试棒的压缩屈服强度变为了250MPa，这就是等向强化。

等向强化一般用于大应变或单向屈服加载的计算中，不适用于交变载荷！

图2.5 等向强化下屈服面的变化规则

2. 随动强化：屈服面的大小保持不变，仅在屈服方向移动，适用于对于大多数小应变交变载荷的金属材料。随动强化满足包辛格效应，即当某个方向的屈服应力升高时，相反方向的屈服应力下降，且两个屈服应力保持2 $\sigma _{y}$ 的关系。

例如，还是上一个拉伸屈服应力 $\sigma _{y}$ 为200MPa的金属试棒，拉伸屈服应力加上压缩屈服应力为400MPa。当试棒在拉力作用下使拉伸屈服应力变为250MPa时，根据包辛格效应，此时的压缩屈服应力应该为150MPa。

要注意，在发生屈服以后，由于产生随动强化，各向同性材料不再保持各向同性。对于大应变仿真，由于包辛格效应，材料的压缩屈服强度可能移动到0线以上，明显不合实际，这种情况将在下文进行描述。

图2.6 随动强化下屈服面的变化规则

3. 混合强化：即等向强化和随动强化的结合，屈服面既在大小上扩张，也在屈服的方向上移动。等向强化与随动强化是两个极端，真实的材料往往是介于两者之间的混合强化。

图2.7 混合强化下屈服面的变化规则

3. 常用弹塑性本构模型

Workbench的材料库中提供了多种塑性本构模型，同时Chaboche也支持用户自己定义塑性应变的试验数据，具体塑性模型如下图所示，红框外的模型用于显示动力学分析，在本文不过多介绍。

图3.1 Workbench中的塑性本构模型

3.1 Chaboche测试数据

通过Chaboche测试数据可以添加单轴塑形应力应变的测试数据，输入数据为塑形应变与真实应力，适用于大应变和循环载荷。将塑性应变和应力值输入表格，可以得到塑性应变曲线。相关数据可以在附件中下载。

图3.2 单轴塑性应力应变数据

3.2 线性强化

上文提到过，在处理弹塑性材料时，我们的工作重点就是拟合出屈服后的应力-应变关系，并且根据拟合方法的不同，弹塑性材料的本构模型分成很多种类。线性强化模型就是使用线性关系拟合屈服后的应力-应变曲线，如果用一条线拟合，就称为双线性，如果使用多条线拟合，就成为多线性。Workbench中的线性强化本构模型有双线性等向强化、多线性等向强化、双线性随动强化和多线性随动强化，下面将依次介绍。

3.2.1 双线性等向强化

双线性等向强化使用两根线性线段描述材料的整个应力-应变关系，第一根直线的斜率E即为材料的弹性模量，第二根线段用来表示屈服后的应力-应变关系，这条线的斜率应该大于0且小于E，第二根线段的斜率有两种定义方式，如下图所示。

图3.3 双线性等向强化模型

利用总应变计算 $E_{T}$ ：已知屈服点的坐标为( $\epsilon _{0},\sigma _{0}$ )，塑性变形阶段一点的坐标为( $\epsilon _{p},\sigma _{p}$ )，计算公式如下：

$E_{T}=\frac{\sigma _{P}-\sigma _{0}}{\epsilon _{P}-\epsilon _{0}}$ (3.1)

利用塑性应变计算 $E_{P}$ ：已知屈服点的坐标为( $0,\sigma _{0}$ )，初始位置塑性变形为0，所以该线段描述的是塑性变形和应力的关系，另一点坐标为( $\epsilon_{p}^{pl},\sigma _{p}$ )，计算公式如下：

$E_{P}=\frac{\sigma _{p}-\sigma _{0}}{\epsilon _{p}^{pl}}$ (3.2)

同时，这个两个斜率满足下式关系：

$E_{P}=\frac{EE_{T}}{E-E_{T}}$ (3.3)

在Workbench中的设置界面如下：

图3.4 使用总应变构建模型

图3.5 使用塑性应变构建模型

3.2.2 多线性等向强化

多线性与双线性的区别在于，多线性是用多条线段来定义应力-应变曲线的。其中，每两个点之间都是线性关系，第一个点对应的应力值是材料的屈服应力，如下图所示。

图3.6 多线性等向强化模型

在Workbench中通过输入多个点的塑性应变和应力值来定义多线性模型，即通过相邻两个点都可以计算出一个Ep。

图3.7 Workbench多线性等向强化模型

3.2.3 双线性/多线性随动强化

双线性和多线性随动强化的设置与双线性和多线性等向强化完全相同，区别仅在于随动强化模型可以模拟材料在单轴和循环载荷下的响应，同时可用于模拟包辛格效应。一般用于小应变（应变≤5%~10%）和双向屈服循环加载的计算中。

3.3 非线性强化

非线性强化本构模型顾名思义就是用非线性函数去拟合材料的塑性段曲线，分为非线性等向强化和非线性随动强化，下面将对这两种本构模型的非线性拟合方法进行叙述。

3.3.1 非线性等向强化

非线性等向强化分为Power模型和Voce模型，这是两种不同的拟合方法。

1. Power模型：基于Power函数的非线性等向强化需要定义2个参数，初始的屈服应力 $\sigma _{0}$ 和指数系数N，计算公式如下：

$\frac{\sigma _{y}}{\sigma _{0}}=\left ( \frac{\sigma _{y}}{\sigma _{0}}+\frac{3G}{\sigma _{0}}\hat{\epsilon }^{pl} \right )^{N}$ (3.4)

其中， $\sigma _{y}$ 为当前的屈服应力，G为剪切模量， $\hat{\epsilon }^{pl}$ 为累积塑性应变，是塑性应变 $\epsilon ^{pl}$ 的函数，0≤N＜1。当N=0时，应力-应变曲线为理想弹塑性模型，N越大曲线越陡峭。在Workbench中的设置界面如下：

图3.8 非线性等向强化Power模型设置界面

2. Voce模型：该模型类似于双线性等向强化，只是在线性项上添加了指数饱和强化项，计算公式和曲线图如下。

$\sigma _{y}=\sigma _{0}+R_{0}\hat{\epsilon }^{pl}+R_{\infty }\left ( 1-e^{-b\hat{\epsilon }^{pl}} \right )$ (3.5)

其中，需要定义的参数有4个，分别是 $\sigma _{0}$ 初始屈服应力， $R_{0}$ 线性系数， $R_{\infty }$ 指数系数，b指数饱和参数。这个材料模型适用于大应变分析，下面介绍这几个参数如何获取。

图3.9 非线性等向强化Voce模型

$R_{0}$ ：从图中可以看出，这个参数是大应变段的斜率。因此，将试验得到的应力-塑性应变曲线分为两端，第二段为曲率近似不变的大应变段。在该段取两个点，直接计算出斜率 $R_{0}$ ；

$R_{\infty }$ ：从图中可以看出，将大应变段的线段延伸至交于纵轴，交点处的应力值为 $\sigma _{0}$ + $R_{\infty }$ 。因此，计算出 $R_{0}$ 后可以得到相应的直线公式，进一步就可以计算出直线与纵轴的交点了，之后用交点值减去已知的初始屈服应力 $\sigma _{0}$ ，就可以得到 $R_{\infty }$ ；

b：b和 $R_{\infty }$ 的乘积为塑性应变刚开始时的初始斜率，得到这个斜率后即可计算出b；

从公式可以看出，当b=0时，该模型就变成了双线性等向强化模型；在Workbench中的设置界面如下图：

图3.10 非线性等向强化Voce模型设置界面

3.3.2 非线性随动强化(Chaboche)

Chaboche随动强化可模拟包辛格效应，而且适用于大应变和循环加载，可用于模拟循环硬化或软化，以及棘轮或调整行为，该强化模型支持最多5中随动强化模型的背应力进行叠加。

图3.11 非线性随动强化Chaboche模型

背应力即强化后的屈服面中心相对于初始屈服面中心的矢量α，在上文强化内容中讲过，等向强化时屈服面均匀扩张，但中心不变，随动强化时屈服面不变，但中心出现移动。Chaboche随动强化就是将多个独立的随动强化叠加在一起，计算公式如下：

$\alpha =\sum_{i=1}^{n}\alpha _{i}$ (3.6)

α为总的背应力，第i个背应力的计算如下：

$\alpha _{i}=\left\{\begin{matrix} C_{i}\epsilon _{p}, \gamma _{i=0}\\ \\ \frac{C_{i}}{\gamma _{i}}(1-e^{-\gamma _{i}\epsilon _{p}}),\gamma _{i\neq 0}\end{matrix}\right.$ (3.7)

总应力计算公式如下：

$\sigma =\alpha +\sigma _{0}$ (3.8)

其中 $\sigma _{0}$ 为初始屈服应力，n为随动强化的个数，在Workbench中取值为1到5， $C_{i}$ 和 $\gamma _{i}$ 为材料参数。从公式中可以看出，当且 $\gamma _{i}=0$ 时，Cho模型即为双线性随动强化模型。同时，从图中可以看出，屈服面存在一个界限，接近这个界限时材料会出现理想弹塑性的特征。Chaboche模型也可以与等向强化模型结合使用，组成混合强化模型。在Workbench中的设置界面如下所示，这些参数均可以通过软件拟合获得。

图3.12 Chaboche随动强化模型

图3.13 Chaboche模型的设置界面

3.4 Hill准则及其余材料模型

3.4.1 Hill准则的设置

在上文讲过，Hill准则时对Mises准则的扩张，适用于各向异性材料。当材料中未设置Hill准则时，默认使用Mises准则，如果设置了Hill准则，则程序使用Hill准则。Workbench中的设置界面如下：

图3.14 Hill准则设置界面

默认情况下表示不考虑蠕变，用户只需要设置材料6个方向的屈服应力比率 $R_{ij}$ 。当所有的 $R_{ij}$ 都等于1时，Hill准则就变为了Mises准则。

3.4.2 其余材料模型

在图3.1中可以看到，Workbench的塑性模型中还有一些粘塑性本构，如Anand模型，EVH模型等等，粘塑性类似于蠕变，是率相关塑性，且材料本构要求温度必须大于熔点的一半，没有明显的屈服点，也没有加载与卸载准则，常用于模拟材料的高温塑性加工和电子器件的钎焊接头。这部分内容下后面的文章中会进行详细介绍。Gurson模型用来分析延性多孔金属的塑性和损伤，如果用到的话会在其他文章进行介绍。

4. 循环加载

试验中载荷的施加方式可以分为单调加载和循环加载：

单调加载是指没有卸载过程，试验得到的单调应力-应变曲线适用于长期承载作用的结构；
循环加载可以分为对称加载和非对称加载，在对称加载中，对于屈服比≤0.7的材料会发生循环强化，如退火、正火材料；屈服比≥0.8的材料会发生循环软化，如淬火、调质材料；屈服比介于0.7和0.8之间的材料现象不明显。在非对称加载情况下，材料会发生棘轮或调整现象。这些情况在本节会进行详细介绍。

4.1 循环强化和软化

4.1.1 循环强化

循环强化：在低周疲劳试验中，使用循环加载且保证循环载荷的绝对值相等，当控制应力加载时，会发现应变随循环的增加而减小；或者控制应变循环时，会发现应力随循环的增加而变大；简而言之，在力加载时，即使我们使用的载荷不变，但是随着循环次数的增加，相同载荷产生的应变反而减小了，即结构在循环加载过程中逐渐变硬。

Chaboche加上任何等向强化准则(双线性, 多线性, 非线性)用于模拟循环强化，等向强化准则将增大具有循环应变的屈服应力。

图4.1 控制应力下的循环强化

图4.2 控制应变下的循环强化

4.1.2 循环软化

循环软化：与循环强化相反，即结构随着载荷的循环逐渐变软。

Chaboche模型加上Voce非线性等向强化模型 (NLISO) 用于模拟循环软化。

图4.3 控制应力下的循环软化

图4.4 控制应变下的循环软化

一般情况下，低强度、软材料趋向于循环强化，高强度、硬材料趋向于循环软化。

4.2 棘轮和调整现象

棘轮和调整现象均发生在非对称循环加载中，两者的区别在于塑性变形的发展趋势。

4.2.1 棘轮

棘轮：在非对称循环应力作用下，材料的塑性应变在每一个循环中累计增加，当棘轮变形达到等量循环增加、加速增加的畸变状态或循环饱和状态时，塑性累积导致尺寸超标或循环破坏失效。主要用于压力容器、高压管道、轨道接触和电子封装。

图4.5 非对称循环加载下的棘轮现象

4.2.2 调整

调整：在非对称循环应力作用下，材料的塑性应变在每一个循环中趋于稳定。不同于棘轮的塑性应变累积增加，在到达一定程度后保持不变。

图4.6 非对称循环加载下的调整现象

要注意，线性随动强化模型是不能描述棘轮和调整现象的，需要使用非线性随动强化。

Chaboche模型中，当 $n\geq 1$ 且所有时 $\gamma _{i}\neq 0$ ，可以模拟棘轮；

Chaboche模型中，当 $n\geq 2$ 且有1~(n-1)个 $\gamma _{i}= 0$ 时，可以模拟调整；

5. 注意事项

5.1 输出量的变化

在有限元分析中，总应变 $\epsilon$ 是由多个部分组成的，如下式所示：

$\left \{ \epsilon \right \}=\left \{ \epsilon^{el} \right \}+\left \{ \epsilon^{pl} \right \}+\left \{ \epsilon^{cr} \right \}+\left \{ \epsilon^{th} \right \}+\left \{ \epsilon^{sw} \right \}$ (5.1)

其中 $\epsilon ^{el}$ 为弹性应变， $\epsilon ^{pl}$ 为塑性应变， $\epsilon ^{cr}$ 为蠕变应变， $\epsilon ^{th}$ 为热应变， $\epsilon ^{sw}$ 为膨胀应变，如果只做包含材料非线性的静力分析，那么总应变应该只包含弹性应变和塑性应变，如下式。

$\left \{ \epsilon^{tot} \right \}=\left \{ \epsilon^{el} \right \}+\left \{ \epsilon^{pl} \right \}$ (5.2)

在Workbench中查看后处理可输出的物理量，红框部分就是可输出的应变量，包括弹性应变、塑性应变、总机械应变EPTO(不含热应变)和总应变EPTT(含热应变)。如果分析中没有温度场，那么总机械应变和总应变的值相等。

图5.1 后处理可输出的物理量

Workbench的后处理可以显示塑性材料计算过程中的一些结果，但这些非线性输出需要我们手动设置，设置界面如下图，需要在“输出控制”中将“非线性数据”打开，在后处理中会出现一些前标为NL的物理量。简单介绍一些这些输出量，NLEPEQ—累积等效塑性应变，NLHPRE—静水压应力(这个物理量在下一章超弹性材料分析中，判断是否出现体积自锁时会用到)，其他参数的含义可以参考下面的文章。

《ANSYS常用术语（命令）中英文对照_tophy_新浪博客 (sina.com.cn)》

图5.2 输出非线性数据

图5.3 后处理可输出的非线性数据

需要注意，塑性输出量实际上是指距离节点最近的那个积分点上的值，而不是通过积分点外推得到的，这与线弹性分析不同。

5.2 塑性分析的基本原则

下面这些原则有助于塑性分析更加准确：

缓慢加载，控制步长保证在一个时间步内，最大塑性应变增量不超过5%；
控制结构和网格，保证不出现应力奇异；
可以使用线搜索来加强收敛；
在小位移和小应变塑性分析中可以使用修正牛顿法或初始刚度；

你可能感兴趣的:(算法,线性代数,矩阵)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
Goolge earth studio 进阶4——路径修改与平滑陟彼高冈yu Google earth studio 进阶教程旅游
如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
121. 买卖股票的最佳时机薄荷糖的味道_fb40
给定一个数组，它的第i个元素是一支给定股票第i天的价格。如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例1:输入:[7,1,5,3,6,4]输出:5解释:在第2天（股票价格=1）的时候买入，在第5天（股票价格=6）的时候卖出，最大利润=6-1=5。注意利润不能是7-1=6,因为卖出价格需要大于买入价格。示例2:输入:
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
回溯算法-重新安排行程 chirou_ 算法数据结构图论 c++图搜索
leetcode332.重新安排行程这题我还没自己ac过，只能现在凭着刚学完的热乎劲把我对题解的理解记下来。本题我认为对数据结构的考察比较多，用什么数据结构去存数据，去读取数据，都是很重要的。classSolution{private:unordered_map>targets;boolbacktracking(intticketNum,vector&result){//1.确定参数和返回值//2
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
insert into select 主键自增_mybatis拦截器实现主键自动生成 weixin_39521651 insert into select 主键自增 mybatis delete返回值 mybatis insert返回主键 mybatis insert返回对象 mybatis plus insert返回主键 mybatis plus 插入生成id
前言前阵子和朋友聊天，他说他们项目有个需求，要实现主键自动生成，不想每次新增的时候，都手动设置主键。于是我就问他，那你们数据库表设置主键自动递增不就得了。他的回答是他们项目目前的id都是采用雪花算法来生成，因此为了项目稳定性，不会切换id的生成方式。朋友问我有没有什么实现思路，他们公司的orm框架是mybatis，我就建议他说，不然让你老大把mybatis切换成mybatis-plus。mybat
k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习 K近邻
importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
数据结构 | 栈和队列 TT-Kun 数据结构与算法数据结构栈队列 C语言
文章目录栈和队列1.栈：后进先出（LIFO）的数据结构1.1概念与结构1.2栈的实现2.队列：先进先出（FIFO）的数据结构2.1概念与结构2.2队列的实现3.栈和队列算法题3.1有效的括号3.2用队列实现栈3.3用栈实现队列3.4设计循环队列结论栈和队列在计算机科学中，栈和队列是两种基本且重要的数据结构，它们在处理数据存储和访问顺序方面有着独特的规则和应用。本文将详细介绍栈和队列的概念、结构、实
[Python] 数据结构详解及代码 AIAdvocate 算法 python 数据结构链表
今日内容大纲介绍数据结构介绍列表链表1.数据结构和算法简介程序大白话翻译,程序=数据结构+算法数据结构指的是存储,组织数据的方式.算法指的是为了解决实际业务问题而思考思路和方法,就叫:算法.2.算法的5大特性介绍算法具有独立性算法是解决问题的思路和方式,最重要的是思维,而不是语言,其(算法)可以通过多种语言进行演绎.5大特性有输入,需要传入1或者多个参数有输出,需要返回1个或者多个结果有穷性,执行
Python算法L5：贪心算法小熊同学哦 Python算法算法 python 贪心算法
Python贪心算法简介目录Python贪心算法简介贪心算法的基本步骤贪心算法的适用场景经典贪心算法问题1.**零钱兑换问题**2.**区间调度问题**3.**背包问题**贪心算法的优缺点优点：缺点：结语贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前最优或最优解的算法。它的核心思想是，在保证每一步局部最优的情况下，希望通过贪心选择达到全局最优解。虽然贪心算法并不总能得到全
matlab delsat = setdiff(1:69,unique(Eph(30,:)))；语句含义黄卷青灯77 matlab 开发语言 setdiff
这行MATLAB代码用于计算在范围1:69中不包含在Eph矩阵第30行的唯一值集合中的所有元素。具体解释如下：delsat=setdiff(1:69,unique(Eph(30,:)));解释Eph(30,:)Eph(30,:)提取矩阵Eph的第30行的所有列元素。这是一个行向量，包含了第30行的所有值。unique(Eph(30,:))unique函数返回Eph(30,:)中的唯一元素。这意味着
【RabbitMQ 项目】服务端：数据管理模块之绑定管理月夜星辉雪 rabbitmq 分布式
文章目录一.编写思路二.代码实践一.编写思路定义绑定信息类交换机名称队列名称绑定关键字：交换机的路由交换算法中会用到没有是否持久化的标志，因为绑定是否持久化取决于交换机和队列是否持久化，只有它们都持久化时绑定才需要持久化。绑定就好像一根绳子，两端连接着交换机和队列，当一方不存在，它就没有存在的必要了定义绑定持久化类构造函数：如果数据库文件不存在则创建，打开数据库，创建binding_table插入
【树一线性代数】005入门 Owlet_woodBird 算法
Index本文稍后补全，推荐阅读：https://blog.csdn.net/weixin_60702024/article/details/141874376分析实现总结本文稍后补全，推荐阅读：https://blog.csdn.net/weixin_60702024/article/details/141874376已知非空二叉树T的结点值均为正整数，采用顺序存储方式保存，数据结构定义如下:t
非对称加密算法原理与应用2——RSA私钥加密文件私语茶馆云部署与开发架构及产品灵感记录 RSA2048 私钥加密
作者：私语茶馆1.相关章节（1）非对称加密算法原理与应用1——秘钥的生成-CSDN博客第一章节讲述的是创建秘钥对，并将公钥和私钥导出为文件格式存储。本章节继续讲如何利用私钥加密内容，包括从密钥库或文件中读取私钥，并用RSA算法加密文件和String。2.私钥加密的概述本文主要基于第一章节的RSA2048bit的非对称加密算法讲述如何利用私钥加密文件。这种加密后的文件，只能由该私钥对应的公钥来解密。
粒子群优化 (PSO) 在三维正弦波函数中的应用 subject625Ruben 机器学习人工智能 matlab 算法
在这篇博客中，我们将展示如何使用粒子群优化（PSO）算法求解三维正弦波函数，并通过增加正弦波扰动，使优化过程更加复杂和有趣。本文将介绍目标函数的定义、PSO参数设置以及算法执行的详细过程，并展示搜索空间中的动态过程和收敛曲线。1.目标函数定义我们使用的目标函数是一个三维正弦波函数，定义如下：objectiveFunc=@(x)sin(sqrt(x(1).^2+x(2).^2))+0.5*sin(5
非对称加密算法————RSA理论及详情 hu19930613
转自：https://www.kancloud.cn/kancloud/rsa_algorithm/48484一、一点历史1976年以前，所有的加密方法都是同一种模式：（1）甲方选择某一种加密规则，对信息进行加密；（2）乙方使用同一种规则，对信息进行解密。由于加密和解密使用同样规则（简称"密钥"），这被称为"对称加密算法"（Symmetric-keyalgorithm）。这种加密模式有一个最大弱点
ai绘画工具midjourney怎么下载？附作品管理教程设计师早上好
Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
【加密算法基础——对称加密和非对称加密】 XWWW668899 网络安全服务器笔记
对称加密与非对称加密对称加密和非对称加密是两种基本的加密方法，各自有不同的特点和用途。以下是详细比较：1.对称加密特点密钥:使用相同的密钥进行加密和解密。发送方和接收方必须共享这个密钥。速度:通常速度较快，适合处理大量数据。实现:算法相对简单，计算效率高。常见算法AES(高级加密标准)DES(数据加密标准)3DES(三重数据加密标准)RC4(流密码)应用场景文件加密磁盘加密传输大量数据时的加密2.
【算法练习】IDEA集成leetcode插件实现快速刷 2401_84102892 2024年程序员学习算法 intellij-idea leetcode
============点击右侧边leetcode->设置->配置地址、用户名、密码、存放目录、文件模板用户名要登录后在账号信息里看模板代码1.codefilename!velocityTool.camelC
【加密算法基础——RSA 加密】 XWWW668899 网络服务器笔记 python
RSA加密RSA（Rivest-Shamir-Adleman）加密是非对称加密，一种广泛使用的公钥加密算法，主要用于安全数据传输。公钥用于加密，私钥用于解密。RSA加密算法的名称来源于其三位发明者的姓氏：R:RonRivestS:AdiShamirA:LeonardAdleman这三位计算机科学家在1977年共同提出了这一算法，并发表了相关论文。他们的工作为公钥加密的基础奠定了重要基础，使得安全通
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
高级UI<第二十四篇>：Android中用到的矩阵常识 NoBugException
（1）定义在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合。由m×n个数aij排成的m行n列的数表称为m行n列的矩阵，简称m×n矩阵。记作：图片.png这m×n个数称为矩阵A的元素，简称为元，数aij位于矩阵A的第i行第j列，称为矩阵A的(i,j)元，以数aij为(i,j)元的矩阵可记为(aij)或(aij)m×n，m×n矩阵A也记作Amn。元素是实数的矩阵称为实矩阵，元素是复
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
高性能javascript--算法和流程控制海淀萌狗
-for,while和do-while性能相当-避免使用for-in循环，==除非遍历一个属性量未知的对象==es5:for-in遍历的对象便不局限于数组，还可以遍历对象。原因：for-in每次迭代操作会同时搜索实例或者原型属性，for-in循环的每次迭代都会产生更多开销，因此要比其他循环类型慢，一般速度为其他类型循环的1/7。因此，除非明确需要迭代一个属性数量未知的对象，否则应避免使用for-i
深度 Qlearning：在直播推荐系统中的应用 AGI通用人工智能之禅程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据 AIGC AGI LLM Java Python 架构设计 Agent 程序员实现财富自由
深度Q-learning：在直播推荐系统中的应用关键词：深度Q-learning,强化学习,直播推荐系统,个性化推荐1.背景介绍1.1问题的由来随着互联网技术的飞速发展,直播平台如雨后春笋般涌现。面对海量的直播内容,用户很难快速找到自己感兴趣的内容。因此,个性化推荐系统在直播平台中扮演着越来越重要的角色。1.2研究现状目前,主流的个性化推荐算法包括协同过滤、基于内容的推荐等。这些方法在一定程度上缓
jQuery 键盘事件keydown ,keypress ,keyup介绍 107x js jquery keydown keypress keyup
本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍，有需要了解的朋友可参考。一、首先需要知道的是： 1、keydown() keydown事件会在键盘按下时触发. 2、keyup() 代码如下复制代码 $('input').keyup(funciton(){
AngularJS中的Promise bijian1013 JavaScript AngularJS Promise
一.Promise Promise是一个接口，它用来处理的对象具有这样的特点：在未来某一时刻（主要是异步调用）会从服务端返回或者被填充属性。其核心是，promise是一个带有then()函数的对象。为了展示它的优点，下面来看一个例子，其中需要获取用户当前的配置文件： var cu
c++ 用数组实现栈类 CrazyMizzz 数据结构 C++
#include<iostream> #include<cassert> using namespace std; template<class T, int SIZE = 50> class Stack{ private: T list[SIZE];//数组存放栈的元素 int top;//栈顶位置 public: Stack(
java和c语言的雷同麦田的设计者 java 递归 scaner
软件启动时的初始化代码，加载用户信息2015年5月27号从头学java二 1、语言的三种基本结构：顺序、选择、循环。废话不多说，需要指出一下几点： a、return语句的功能除了作为函数返回值以外，还起到结束本函数的功能，return后的语句不会再继续执行。 b、for循环相比于whi
LINUX环境并发服务器的三种实现模型被触发 linux
服务器设计技术有很多，按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。 1 循环服务器与并发服务器模型在网络程序里面，一般来说都是许多客户对应一个服务器，为了处理客户的请求，对服务端的程序就提出了特殊的要求。目前最常用的服务器模型有： ·循环服务器：服务器在同一时刻只能响应一个客户端的请求 ·并发服务器：服
Oracle数据库查询指令肆无忌惮_ oracle数据库
20140920 单表查询 -- 查询************************************************************************************************************ -- 使用scott用户登录 -- 查看emp表 desc emp
ext右下角浮动窗口知了ing JavaScript ext
第一种 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/
浅谈REDIS数据库的键值设计矮蛋蛋 redis
http://www.cnblogs.com/aidandan/ 原文地址：http://www.hoterran.info/redis_kv_design 丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样，DEV和DBA需要深度沟通，review每行sql语句，也不像memcached那样，不需要DBA的参与。redis的DBA需要熟悉数据结构，并能了解使用场景。
maven编译可执行jar包 alleni123 maven
http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven <build> <plugins> <plugin> <artifactId>maven-asse
人力资源在现代企业中的作用百合不是茶 HR 企业管理
//人力资源在在企业中的作用人力资源为什么会存在，人力资源究竟是干什么的人力资源管理是对管理模式一次大的创新，人力资源兴起的原因有以下点：工业时代的国际化竞争，现代市场的风险管控等等。所以人力资源在现代经济竞争中的优势明显的存在，人力资源在集团类公司中存在着明显的优势(鸿海集团)，有一次笔者亲自去体验过红海集团的招聘，只知道人力资源是管理企业招聘的当时我被招聘上了，当时给我们培训的人
Linux自启动设置详解 bijian1013 linux
linux有自己一套完整的启动体系，抓住了linux启动的脉络，linux的启动过程将不再神秘。阅读之前建议先看一下附图。本文中假设inittab中设置的init tree为： /etc/rc.d/rc0.d /etc/rc.d/rc1.d /etc/rc.d/rc2.d /etc/rc.d/rc3.d /etc/rc.d/rc4.d /etc/rc.d/rc5.d /etc
Spring Aop Schema实现 bijian1013 java spring AOP
本例使用的是Spring2.5 1.Aop配置文件spring-aop.xml <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmln
【Gson七】Gson预定义类型适配器 bit1129 gson
Gson提供了丰富的预定义类型适配器，在对象和JSON串之间进行序列化和反序列化时，指定对象和字符串之间的转换方式， DateTypeAdapter public final class DateTypeAdapter extends TypeAdapter<Date> { public static final TypeAdapterFacto
【Spark八十八】Spark Streaming累加器操作（updateStateByKey) bit1129 update
在实时计算的实际应用中，有时除了需要关心一个时间间隔内的数据，有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。比如：对Nginx的access.log实时监控请求404时，有时除了需要统计某个时间间隔内出现的次数，有时还需要统计一整天出现了多少次404，也就是说404监控横跨多个时间间隔。 Spark Streaming的解决方案是累加器，工作原理是，定义
linux系统下通过shell脚本快速找到哪个进程在写文件 ronin47
一个文件正在被进程写我想查看这个进程文件一直在增大找不到谁在写使用lsof也没找到这个问题挺有普遍性的，解决方法应该很多，这里我给大家提个比较直观的方法。 linux下每个文件都会在某个块设备上存放，当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。幸运的是systemtap的安装包里带了inodewatch.stp，位
java-两种方法求第一个最长的可重复子串 bylijinnan java 算法
import java.util.Arrays; import java.util.Collections; import java.util.List; public class MaxPrefix { public static void main(String[] args) { String str="abbdabcdabcx";
Netty源码学习-ServerBootstrap启动及事件处理过程 bylijinnan java netty
Netty是采用了Reactor模式的多线程版本，建议先看下面这篇文章了解一下Reactor模式： http://bylijinnan.iteye.com/blog/1992325 Netty的启动及事件处理的流程，基本上是按照上面这篇文章来走的文章里面提到的操作，每一步都能在Netty里面找到对应的代码其中Reactor里面的Acceptor就对应Netty的ServerBo
servelt filter listener 的生命周期 cngolon filter listener servelt 生命周期
1. servlet 当第一次请求一个servlet资源时，servlet容器创建这个servlet实例，并调用他的 init(ServletConfig config)做一些初始化的工作，然后调用它的service方法处理请求。当第二次请求这个servlet资源时，servlet容器就不在创建实例，而是直接调用它的service方法处理请求，也就是说
jmpopups获取input元素值 ctrain JavaScript
jmpopups 获取弹出层form表单首先，我有一个div，里面包含了一个表单，默认是隐藏的，使用jmpopups时，会弹出这个隐藏的div，其实jmpopups是将我们的代码生成一份拷贝。当我直接获取这个form表单中的文本框时，使用方法：$('#form input[name=test1]').val()；这样是获取不到的。我们必须到jmpopups生成的代码中去查找这个值，$(
vi查找替换命令详解 daizj linux 正则表达式替换查找 vim
一、查找查找命令 /pattern<Enter> ：向下查找pattern匹配字符串 ?pattern<Enter>：向上查找pattern匹配字符串使用了查找命令之后，使用如下两个键快速查找： n：按照同一方向继续查找 N：按照反方向查找字符串匹配 pattern是需要匹配的字符串，例如： 1: /abc<En
对网站中的js,css文件进行打包 dcj3sjt126com PHP 打包
一，为什么要用smarty进行打包 apache中也有给js,css这样的静态文件进行打包压缩的模块，但是本文所说的不是以这种方式进行的打包，而是和smarty结合的方式来把网站中的js,css文件进行打包。为什么要进行打包呢，主要目的是为了合理的管理自己的代码。现在有好多网站，你查看一下网站的源码的话，你会发现网站的头部有大量的JS文件和CSS文件，网站的尾部也有可能有大量的J
php Yii: 出现undefined offset 或者 undefined index解决方案 dcj3sjt126com undefined
在开发Yii 时，在程序中定义了如下方式： if($this->menuoption[2] === 'test')，那么在运行程序时会报：undefined offset:2，这样的错误主要是由于php.ini 里的错误等级太高了，在windows下错误等级
linux 文件格式（1） sed工具 eksliang linux linux sed工具 sed工具 linux sed详解
转载请出自出处： http://eksliang.iteye.com/blog/2106082 简介 sed 是一种在线编辑器，它一次处理一行内容。处理时，把当前处理的行存储在临时缓冲区中，称为“模式空间”（pattern space），接着用sed命令处理缓冲区中的内容，处理完成后，把缓冲区的内容送往屏幕。接着处理下一行，这样不断重复，直到文件末尾
Android应用程序获取系统权限 gqdy365 android
引用如何使Android应用程序获取系统权限第一个方法简单点，不过需要在Android系统源码的环境下用make来编译： 1. 在应用程序的AndroidManifest.xml中的manifest节点
HoverTree开发日志之验证码 hvt .net C#asp.net hovertree webform
HoverTree是一个ASP.NET的开源CMS，目前包含文章系统，图库和留言板功能。代码完全开放，文章内容页生成了静态的HTM页面，留言板提供留言审核功能，文章可以发布HTML源代码，图片上传同时生成高品质缩略图。推出之后得到许多网友的支持，再此表示感谢！留言板不断收到许多有益留言，但同时也有不少广告，因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找，如果不是很多，就是特别多
JSON API：用 JSON 构建 API 的标准指南中文版 justjavac json
译文地址：https://github.com/justjavac/json-api-zh_CN 如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式，那么 JSON API 就是你的 anti-bikeshedding 武器。通过遵循共同的约定，可以提高开发效率，利用更普遍的工具，可以是你更加专注于开发重点：你的程序。基于 JSON API 的客户端还能够充分利用缓存，
数据结构随记_2 lx.asymmetric 数据结构笔记
第三章栈与队列一．简答题 1. 在一个循环队列中，队首指针指向队首元素的前一个位置。 2.在具有n个单元的循环队列中，队满时共有 n-1 个元素。 3. 向栈中压入元素的操作是先移动栈顶指针&n
Linux下的监控工具dstat 网络接口 linux
1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
C 语言初级入门--二维数组和指针 1140566087 二维数组 c/c++指针
/* 二维数组的定义和二维数组元素的引用二维数组的定义：当数组中的每个元素带有两个下标时，称这样的数组为二维数组； (逻辑上把数组看成一个具有行和列的表格或一个矩阵); 语法：类型名数组名[常量表达式1][常量表达式2] 二维数组的引用：引用二维数组元素时必须带有两个下标，引用形式如下：例如： int a[3][4]; 引用：
10点睛Spring4.1-Application Event wiselyman application
10.1 Application Event Spring使用Application Event给bean之间的消息通讯提供了手段应按照如下部分实现bean之间的消息通讯继承ApplicationEvent类实现自己的事件实现继承ApplicationListener接口实现监听事件使用ApplicationContext发布消息