第 8 章 · 组装、边界条件与求解

单元都造好了，接下来的问题偏工程：怎么把几千个单元的总阵高效组装、约束怎么施加、大型稀疏方程用什么解。这一节是从"会推公式"到"会跑模型"的桥。

稀疏性与存储

总刚度阵的规模是（节点数 × 每节点自由度），但绝大多数元素为零——每个单元只和邻居耦合。存储方式决定一切：满阵存 $10^6$ 自由度问题需要 TB 级内存，而按带宽或稀疏 CSR 格式只需 MB-GB 级。网格节点编号决定带宽，所以前处理里的编号优化（如 RCM 排序）直接省内存、提速。

边界条件的三种施加法

• 删行删列法：已知 $u_a = \bar u$，把对应行列移出方程、右端移项。数学最干净，但破坏矩阵编号结构。
• 大数法（罚函数）：在对角元加巨大数 $10^{20}$，约束"近似"满足。实现最简单，但病态风险与大数选择有关。
• 拉格朗日乘子：新增未知量精确施加约束，但扩充方程组且引入零对角。

对称正定问题用罚法或删行删列；接触、多点约束这类复杂条件用乘子更正规。

求解器的选型

• 直接法（Cholesky/LD$^T$L）：对称正定阵的标配，稳健、可预测，代价是填充与内存随规模增长。
• 迭代法（共轭梯度 + 预条件）：内存友好、可并行，病态问题（大刚度比、细长单元）收敛慢，预条件子是成败关键。

老师的提醒

• "奇异矩阵"报错 90% 是约束不足：模型在空间里能刚体滑动/转动，或某个Part没和其他体共节点连接。
• 检查连接：接触面前先把两个体做共节点布尔运算，能省掉大量接触收敛的麻烦。

自检

• 为什么节点编号影响内存？什么排序能减小带宽？
• 三种约束施加法各自的优缺点？
• 应力在哪儿最准？为什么节点应力要磨平？

更深一层：约束施加是"边界的物理学翻译"

第 6 节的三种约束施加法，背后其实是三种"如何让近似解遵守边界"的哲学。删行删列（直接法）：把约束编入函数空间——试探函数天生满足边界，解严格合法，但矩阵结构被破坏；罚函数：把约束折成能量——刚度阵加大数，约束以 $\varepsilon$ 级误差满足，换来实现极简；拉格朗日乘子：把约束变成未知力——精确满足且乘子有物理意义（支反力！），代价是方程组扩充且鞍点结构需要专门的求解器。现代求解器三种都用：线性静力内部走直接法，接触法向用罚或增广拉格朗日（罚 + 乘子混合，既精确又稳健），对称约束场用 MPC 方程。

乘子的物理身份值得专门说一句：接触问题里的拉格朗日乘子就是接触压力——这也是增广拉格朗日法能同时报告"穿透量"与"接触力"的原因。约束处理方法的选择不只是数值问题，它决定你的后处理能拿到什么物理量。

推导细读：求解器选择的"费用模型"

直接法与迭代法的费用结构完全不同。直接（Cholesky）：费用确定性极强——内存与时间由稀疏分解的填充决定，排序（AMD/嵌套剖分）定生死；$n = 10^5$ 的三维网格，填充后可能要数 GB 内存，$n = 10^6$ 直接法基本出局。迭代（CG+预条件）：内存 $O(n)$ 极省，但迭代数取决于预条件质量与病态程度——细长单元、大刚度比（软硬材料共存）会让迭代数暴涨甚至不收敛。工程决策的粗规则：百万自由度以下、要稳定可复现的结果 → 直接法；更大规模或内存受限 → 迭代法 + 好预条件（多重网格优先）。混合策略（块内直接、块间迭代，区域分解）是超大规模计算的现实答案。

在真实世界里："奇异矩阵"报警的排障流程

有限元新手遇到"matrix singular"的标准排障清单，按出现频率排序： 1. 刚体模态未约束：模型在空间里能滑/转（某方向无约束）——检查约束是否锁死全部六个刚体自由度； 2. 部件未连接：两个实体共面但没共节点、没有接触定义——布尔合并或绑定接触； 3. 零刚度单元：单元被压扁（$\det J \approx 0$）或材料参数漏填； 4. 约束冲突：同一自由度被两个约束同时锁定（过约束在乘子法下产生矛盾方程）； 5. 接触初始穿透/分离抖动：初始状态在"接触-分离"边界震荡。

90% 的奇异报警落在前两条。把这份清单变成肌肉记忆，建模调试时间能省一半。

常见误区与辨析

• "罚刚度越大越精确"：罚刚度过大 → 条件数爆炸 → 直接法丢精度、迭代法不收敛；增广拉格朗日（中等罚 + 乘子迭代）才是"精确且良态"的现代答案。
• "对称结构减半建模总没错"：对称面上施加对称约束只对"反对称量为零"的载荷成立；扭转载荷需要半模型施加"循环对称"或干脆全模型。
• "大数法随便取个 1e10 就行"：相对其他刚度项，1e10 可能不够"刚"（约束漏）也可能太"刚"（病态）——现代实践建议按最大对角元的 $10^{6\sim8}$ 倍取值并复核约束位移。

专题深入：求解器的"内存-时间"双账本

直接法与迭代法的完整账本是"内存-时间"双维度：直接法（Cholesky/LDLT——内存由填充决定、时间确定性极强）vs 迭代法（CG+预条件——内存 $O(n)$ 极省、时间由迭代数决定）。稀疏直接法的三段式流水线（排序-符号分解-数值分解）的排序决定一切：填充由消元顺序决定（AMD/嵌套剖分最小化填充）——三维问题的填充增长让纯直接法吃紧，这正是迭代法的领地。

预条件子是迭代法的胜负手：对角预条件（聊胜于无）→ 不完全分解（ILU/ICT——通用中等强度）→ 多重网格（椭圆问题最强，收敛与网格尺寸无关）。"迭代法设计 = Krylov 方法 + 预条件设计"——好预条件把迭代数从几千压到几十。

数学细节展开：条件数与收敛率的关系

CG 的收敛率 $((\sqrt\kappa - 1)/(\sqrt\kappa + 1))^k$ 值得展开：条件数 $\kappa$ 出现在平方根里——预条件子把"椭圆捏圆"（$M^{-1}A$ 的谱聚拢）。好预条件的判据是总时间（迭代数 × 每步成本）而非迭代数——多重网格每步贵但迭代数与网格无关，不完全分解每步便宜但迭代数随网格涨。这个"迭代数 × 单步成本"的乘积公式是预条件子选型的唯一标准。

工程案例细节：百万自由度问题的求解器选型实录

百万自由度三维问题的选型实录：$n < 10^4$ → LAPACK 直接法全家桶；$n$ 大 + SPD + 椭圆 → CG + 多重网格（$O(n)$ 的唯一现实途径）；非对称 → GMRES + ILU；要极端特征值 → Lanczos/IRAM；内存不够直接法 → 迭代法 + 好预条件。这张决策速查表是"选算法"的肌肉记忆——先回答矩阵的规模、稀疏性、对称性，答案自动落位。