用Python+NumPy实战推导弹性力学中的应力应变矩阵D

弹性力学中的应力应变关系是计算力学和材料科学的基础，但很多人在面对复杂的矩阵推导时常常感到无从下手。今天我们就用Python和NumPy，从最基本的弹性模量和泊松比出发，一步步构建出完整的应力应变矩阵D，并通过可视化理解其物理意义。

1. 弹性力学基础与Python环境准备

在开始编码之前，我们需要明确几个基本概念和参数。对于各向同性线弹性材料，最重要的两个参数是：

• 弹性模量E：描述材料抵抗弹性变形的能力
• 泊松比μ：描述材料在受力时横向变形与纵向变形的比值

这两个参数可以推导出另一个重要参数——剪切模量G：

python复制import numpy as np

def calculate_shear_modulus(E, mu):
    """
    计算剪切模量G
    参数:
        E: 弹性模量
        mu: 泊松比
    返回:
        剪切模量G
    """
    return E / (2 * (1 + mu))

让我们用一个实际的例子来初始化这些参数。假设我们研究的是铝合金材料：

python复制# 材料参数
E = 70e9  # 弹性模量，单位Pa
mu = 0.33  # 泊松比

# 计算剪切模量
G = calculate_shear_modulus(E, mu)
print(f"剪切模量G = {G:.2e} Pa")

2. 从一维到三维：理解应力应变关系

在弹性力学中，应力(σ)和应变(ε)的关系可以用矩阵形式表示为σ=Dε，其中D就是我们要推导的刚度矩阵。让我们先从简单的一维情况开始：

python复制def one_d_stress_strain(E, strain):
    """
    一维应力应变关系
    参数:
        E: 弹性模量
        strain: 应变值
    返回:
        应力值
    """
    return E * strain

对于三维情况，关系就复杂得多。正应力不仅会引起同方向的应变，还会通过泊松效应引起垂直方向的应变。我们可以用NumPy来实现这个关系：

python复制def stress_strain_3d(E, mu, strains):
    """
    三维应力应变关系
    参数:
        E: 弹性模量
        mu: 泊松比
        strains: 应变向量 [εx, εy, εz, γxy, γyz, γzx]
    返回:
        应力向量 [σx, σy, σz, τxy, τyz, τzx]
    """
    # 初始化应力向量
    stresses = np.zeros(6)
    
    # 计算正应力分量
    factor = E / ((1 + mu) * (1 - 2 * mu))
    stresses[0] = factor * ((1 - mu) * strains[0] + mu * (strains[1] + strains[2]))  # σx
    stresses[1] = factor * ((1 - mu) * strains[1] + mu * (strains[0] + strains[2]))  # σy
    stresses[2] = factor * ((1 - mu) * strains[2] + mu * (strains[0] + strains[1]))  # σz
    
    # 计算剪应力分量
    G = E / (2 * (1 + mu))
    stresses[3] = G * strains[3]  # τxy
    stresses[4] = G * strains[4]  # τyz
    stresses[5] = G * strains[5]  # τzx
    
    return stresses

3. 构建完整的刚度矩阵D

现在我们可以将上述关系表示为矩阵形式。刚度矩阵D是一个6×6的矩阵，它将应变向量映射到应力向量：

python复制def construct_D_matrix(E, mu):
    """
    构建刚度矩阵D
    参数:
        E: 弹性模量
        mu: 泊松比
    返回:
        刚度矩阵D (6x6)
    """
    # 初始化零矩阵
    D = np.zeros((6, 6))
    
    # 计算常用系数
    factor = E / ((1 + mu) * (1 - 2 * mu))
    G = E / (2 * (1 + mu))
    
    # 填充正应力相关部分
    D[0, 0] = D[1, 1] = D[2, 2] = (1 - mu) * factor
    D[0, 1] = D[0, 2] = D[1, 0] = D[1, 2] = D[2, 0] = D[2, 1] = mu * factor
    
    # 填充剪应力相关部分
    D[3, 3] = D[4, 4] = D[5, 5] = G
    
    return D

让我们看看这个矩阵的实际样子：

python复制D = construct_D_matrix(E, mu)
print("刚度矩阵D:")
print(D)

为了更直观地理解这个矩阵，我们可以将其分块显示：

code复制D = [ D11  D12   0 ]
     [ D12  D11   0 ]
     [  0    0   D33 ]

其中D11对应正应力部分，D33对应剪应力部分。

4. 验证与可视化

为了验证我们的实现是否正确，我们可以进行几个测试：

测试1：纯拉伸情况

python复制# 纯x方向拉伸
strain = np.array([0.001, -mu*0.001, -mu*0.001, 0, 0, 0])
stress = stress_strain_3d(E, mu, strain)
print("纯拉伸应力:", stress)

测试2：纯剪切情况

python复制# 纯xy平面剪切
strain = np.array([0, 0, 0, 0.001, 0, 0])
stress = stress_strain_3d(E, mu, strain)
print("纯剪切应力:", stress)

我们还可以用Matplotlib来可视化矩阵的结构：

python复制import matplotlib.pyplot as plt

plt.figure(figsize=(8, 6))
plt.imshow(D, cmap='viridis')
plt.colorbar(label='矩阵元素值')
plt.title('刚度矩阵D的可视化')
plt.xticks(range(6), ['σx', 'σy', 'σz', 'τxy', 'τyz', 'τzx'])
plt.yticks(range(6), ['εx', 'εy', 'εz', 'γxy', 'γyz', 'γzx'])
plt.show()

5. 实际应用与扩展

理解了刚度矩阵的构成后，我们可以将其应用到更复杂的场景中。例如，在有限元分析中，我们需要将材料刚度矩阵与几何矩阵结合。

下面是一个简单的平面应力问题的例子：

python复制def plane_stress_D(E, mu):
    """
    平面应力问题的简化刚度矩阵
    参数:
        E: 弹性模量
        mu: 泊松比
    返回:
        3x3平面应力刚度矩阵
    """
    factor = E / (1 - mu**2)
    D = np.array([
        [1, mu, 0],
        [mu, 1, 0],
        [0, 0, (1 - mu)/2]
    ]) * factor
    return D

对于各向异性材料，刚度矩阵会更加复杂，但基本思路是相同的。我们可以通过实验数据来确定矩阵中的各个元素。

6. 性能优化与数值稳定性

在实际应用中，我们需要注意矩阵求逆的数值稳定性。当泊松比接近0.5时（不可压缩材料），矩阵会变得奇异。这时可以采用混合有限元方法或其他数值技术。

我们可以添加一个检查：

python复制def check_material_stability(mu):
    """
    检查材料参数的稳定性
    参数:
        mu: 泊松比
    返回:
        是否稳定
    """
    if mu >= 0.5:
        print("警告：泊松比≥0.5可能导致数值不稳定")
        return False
    return True

对于大型问题，我们可以利用稀疏矩阵来存储和计算：

python复制from scipy.sparse import csr_matrix

def sparse_D_matrix(E, mu):
    """
    创建稀疏刚度矩阵
    参数:
        E: 弹性模量
        mu: 泊松比
    返回:
        稀疏刚度矩阵
    """
    D = construct_D_matrix(E, mu)
    return csr_matrix(D)

7. 从理论到实践：完整示例

让我们通过一个完整的例子来演示如何使用这些函数：

python复制# 定义材料参数
E = 210e9  # 钢的弹性模量，Pa
mu = 0.3   # 泊松比

# 检查参数有效性
if not check_material_stability(mu):
    raise ValueError("无效的材料参数")

# 构建刚度矩阵
D = construct_D_matrix(E, mu)

# 定义应变状态 (拉伸+剪切)
strain = np.array([0.001, 0.0005, -0.0002, 0.0008, 0, 0])

# 计算应力
stress = np.dot(D, strain)

print("计算得到的应力向量:")
print(stress)

# 验证反向计算
computed_strain = np.linalg.solve(D, stress)
print("\n通过应力反推的应变:")
print(computed_strain)
print("\n原始应变与计算应变的差异:", np.linalg.norm(strain - computed_strain))

这个例子展示了如何从应变计算应力，以及如何通过应力反推应变，验证了我们实现的正确性。