1

2
3
A large number of user subroutines and utility routines is available in Abaqus, that are all 
programmed in Fortran. Subroutines are different for implicit (standard) and explicit 
solvers. Utility routines can be called inside of subroutines to take care of standard tasks.
Here a small subset of the most important routines:

4
For the explicit solver an own set of user subroutines is available. The VUMAT is again 
the most important for us.

5
6
Basic flow chart with data flow and actions from the start of the ABAQUS standard
analysis until its end.

7
A more detailed flow of ABAQUS/Standard

8
The routine should be a Fortran source code or an object file *.obj. The simultaneous
use of multiple subroutines has to be done in one file. If you restart, the user subroutine
has to be assigned again.

9
10
11
12
Forward integration (Forward Euler (explicit)) is a simple methods, however with 
stability problems. The strain increment has to be chosen small, much smaller than the 
magnitude of the elastic strain. Hence for explicit integration the time increment hast to 
be controlled.

Implicit or semi‐implicit schemes have more complicated algorithms and local iterations
might be needed, however they are in general more stable and converge.

13
Jacobian also called Functional matrix or derivative matrix is the m x m matrix of all 1st 
partial derivatives of  differentiable function.

14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Flow direction=(Deviatoric stress – alpha)/predicted stress = flowrule

Consistency condition

30
31
32
33
34
35
36
The Newton-Raphson method is a recursive method, since iterations need the
results of previous iterations. The fundamental idea is to linearized the function in
a point by taking its tangent. The null of the tangent is then taken as an improved
approximation of the null of the function. The obtained approximation is then
taken as the starting point for the next iteration, until the approximation goes
under a certain limit. The iteration method converges in the best case with
quadratic convergence. The number of correct decimals then doubles in each
iteration. Formally said, the following procedure is repeated until a desired
accuracy is met:

Since solving the delta x_n with the inverse of a matrix with consecutive multiplication 
with f(x) is costly and numerically unfavorable, the linear equation system JDx=‐f is 
solved instead, followed by x_n+1 ….. To solve the system several methods exist. If the 
Jacobian is invertible at the null and continuous, the method converges locally quadratic, 
what makes it quiet useful.

37
However there are also other methods around that do the job much better.

Newton‐Raphson method: In each iteration, the tangent matrix has to be calculated 

freshly and a linear system of equations needs to be solved.

Modified Netwon‐Raphson method: Here the tangent stiffness matrix is only calculated

at the beginning of the iteration. All consecutive iterations use the same matrix, what 
gave the method the name of the method of initial stiffness's. Since many iterations are 
needed due to low convergence rates, it is mainly used for small non‐linearity.

Quasi‐Newton methods are a class of numerical methods for solving non‐linear 
minimization problems. The methods are based on the Newton‐method, but calculate 
the inverse of the Jacobian matrix not directly, but approximate them only to limit the 
computational cost per iteration. The first algorithm was proposes in 1950 by the 
physicist Davidon. The most known variants are the Broyden‐Fletcher‐Goldfarb‐Shanno
(BFGS) and Davidon‐Fletcher‐Powell (DFP), Broyden or SR1 a.s.o.

38
The arc‐length method helps for non‐linearity in FEM applications to reach quite fast the 
implicit solution. It is a modification of the Newton‐Raphson‐method, that is usable for 
stability analysis and non‐linear static simulations, in particular in the domain of limit 
states and for buckling and post‐buckling. As one can see from the graph that opposite 
to the Newton‐Raphson method the aim of the equilibrium integrations is not the load 
amplitude but approaches the solution on a curve. This arc represents an equilibrium 
curve derived from the DOF‐values and a loading factor. For applications with large 
changes the radius of the acr (load factor) should be small enough. The arc‐length 
method does not work well for abrupt, unsteady non‐linearity like contact or elastic‐
ideally plastic material. Variants are the Riks‐method.

39
40
41
42
43
44
45
46
47
48
49
50
51
52
The most popular method for integrating the plasticity equations is radial return 
mapping. Initially developed for J2 plasticity, it was generalized to arbitrary convex yield 
surfaces and yield stress functions. The principle is simple: First the stress is updated 
assuming that the response is elastic, then if it is outside the yield surface, the stress is 
projected on to the closest point of the yield surface.  If the material is perfectly plastic, 
the yield surface is constant, but if h > 0, the yield surface expands during the plastic 
flow, and the stress is projected on the expanded yield surface. The data available at the 
beginning of the radial return update is the previous stress, equivalent plastic strain, and 
increment in the strain. By the end of the radial return procedure, the stress and 
equivalent plastic strain have been updated. Main drawback is the need for computing 
gradients of the flow rule and hardening laws, what can be laborious for complicated 
plasticity models.

53
Another plastic return mapping algorithm is the Cutting plane algorithm proposed by 
Ortiz and Simo 1985. It avoids the need for computing the gradients of the flow rule and 
hardening function. The direction of the return mapping is always the steepest descent 
and a sequence of straight segments. Opposite to the radial return mapping, it is an 
explicit procedure. It converges very fast.

54
55