Enhancing adaptive sparse grid approximations and improving refinement strategies using adjoint-based a posteriori error estimates
Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种算法,利用伴随法后验误差估计提升稀疏网格逼近精度,并改进稀疏网格的自适应策略,通过平衡物理离散误差与随机插值误差提高近似准确性。
2014-07-03 cs.NA math.NA
Machine Learning based refinement strategies for polyhedral grids with applications to Virtual Element and polyhedral Discontinuous Galerkin methods
Politecnico di Milano(米兰理工大学);University of Milano-Bicocca(米兰比可卡大学)
我们提出了两个新的策略,基于机器学习技术来处理多面体网格细化,可能采用自适应框架。第一种方法采用k-均值聚类算法对待细化的多面体进行点的划分。该策略是众所周知的质心Voronoi镶嵌的变体。第二种方法采用卷积神经网络对元素的“形状”进行分类,以便定义“ad-hoc”细化标准。该策略可以用于以低的在线计算成本增强现有的细化策略,包括k-means策略。我们测试所提出的算法考虑两个家庭的有限元法,支持任意形状的多面体元素,即虚拟元法(VEM)和多边形不连续伽辽金(PolyDG)方法。我们证明了这些策略确实保留了底层网格的结构和质量,降低了整体计算成本和网格复杂性。
2022-03-01 cs.LG cs.NA math.NA
h- and p-refined Multilevel Monte Carlo Methods for Uncertainty Quantification in Structural Engineering
实际的结构工程问题往往具有显著的不确定性。历史上,解释这种不确定性的流行方法之一是标准蒙特卡罗(MC)方法。最近,改进的采样方法已被提出,基于方差减少的想法,通过采用网格细化的层次。我们结合了h-和p-细化层次与多级蒙特卡罗(MLMC)和多级拟蒙特卡罗(MLQMC)方法。我们调查这些新的组合方法的适用性上的三个结构工程问题,其中的不确定性驻留在杨氏模量:静态响应的悬臂梁的弹性材料的行为,其静态响应与弹塑性行为,其动态响应与弹性行为。该不确定性通过从单变量Gamma分布采样的一个随机变量或从Gamma随机场采样的多个随机变量来建模。这个随机场的结果从截断Karhunen-Loève(KL)展开。在本文中,我们比较了这些蒙特卡罗方法的计算成本。我们证明,MQLMC和MLMC有一个显着的加速MC,无论使用的网格细化层次结构。我们的经验表明,MLQMC成本是最佳比例的1/1/2,在某些条件下,其中1/2是对均方根误差(RMSE)的公差。此外,我们表明,当不确定性被建模为一个随机场,与p-细化相结合的多级方法有一个显着的计算成本比他们的同行基于h-细化。我们还说明了效果的不确定性模型上的不确定性界的解决方案。
2019-06-25 cs.NA math.NA
Local h-, p-, and k-Refinement Strategies for the Isogeometric Shifted Boundary Method Using THB-Splines
Technische Universität München(慕尼黑工业大学);OTH Regensburg(雷根斯堡应用科学大学);Universidad Politécnica de Cataluña (UPC)(加泰罗尼亚理工大学);Centre Internacional de Mètodes Numèrics en Enginyeria (CIMNE)(国际工程数值方法中心)
本文研究了基于 THB-Splines 的移界方法结合不同局部细分策略的性能,提出局部 p- 和 k- 细分方案,并改进了移算子以提升精度和稳定性。
2026-04-30 cs.NA math.NA
Refinement of polygonal grids using Convolutional Neural Networks with applications to polygonal Discontinuous Galerkin and Virtual Element methods
Politecnico di Milano(米兰理工大学)
我们提出了新的策略来处理基于卷积神经网络(CNN)的多边形网格细化。我们表明,CNN可以成功地用于正确识别多边形元素的“形状”,以便设计合适的细化标准,可能采用自适应细化策略。我们提出了两种细化策略,利用CNN的使用来分类元素的形状,以较低的计算成本。我们测试所提出的想法考虑两个家庭的有限元法,支持任意形状的多边形元素,即多边形不连续伽辽金(PolyDG)方法和虚拟元素方法(VEM)。我们表明,所提出的算法可以大大提高性能的离散计划的精度和质量的基础网格。此外,由于训练阶段是离线执行的,并且独立于差分模型,因此总体计算成本保持较低。
2021-10-02 cs.LG cs.NA math.NA
Mesh Refinement for Anisotropic Diffusion in Magnetized Plasmas
针对磁化等离子体中极端各向异性导致的薄边界层计算成本高的问题,提出并验证了三种网格细化策略,发现自适应策略能用极少自由度达到均匀细化的精度,并推广至三维及更大各向异性比场景。
2023-06-28 cs.NA math.NA
Adaptive meshless refinement schemes for RBF-PUM collocation
University of Torino(都灵大学)
本文提出了一种基于误差指示器和细化算法的自适应离散技术,用于求解椭圆偏微分方程,通过数值测试评估了自适应无网格细化方案的性能。
2018-11-12 cs.NA math.NA
A New Re-redistribution Scheme for Weighted State Redistribution with Adaptive Mesh Refinement
本文将加权状态重分配算法扩展至切割单元位于粗细界面附近的情况,提出一种新的再重分配方案,在结合自适应网格细化时保持了解的精度与守恒性,并通过二维和三维示例验证了有效性。
2023-09-12 cs.NA math.NA
Adaptive mesh refinement on Cartesian meshes applied to the mixed finite element discretization of the multigroup neutron diffusion equations
针对核反应堆堆芯尺度的多群中子扩散方程,本章提出基于后验估计子的自适应网格细化方法,并重点研究适用于堆芯应用的笛卡尔网格细化策略。
2025-03-14 cs.NA math.NA
Fourth-order Adaptive Mesh Refinement both in space and in time for incompressible Navier-Stokes equations with Dirichlet boundary conditions
本研究提出一种带时间子循环的四阶AMR投影法求解带Dirichlet边界的不可压缩Navier-Stokes方程,通过重构方程、推导界面条件等六项技术实现高精度与高效率,无需界面回流和细到粗速度平均。
2025-09-05 cs.NA math.NA
Error Estimators and Marking Strategies for Electrically Coupled Liquid Crystal Systems
Tufts University(塔夫茨大学)
本文推导了非线性一阶最优条件的后验误差估计器,用于电耦合和柔性电耦合Frank-Oseen液晶模型。提出两种方法的估计器,证明了惩罚法估计器的可靠性与效率,通过数值实验验证了适应性细化的准确性和效率。
2018-06-16 cs.NA math.NA
Goal-Oriented Adaptive THB-Spline Schemes for PDE-Based Planar Parameterization
本文提出了一种基于偏微分方程的平面参数化框架,支持截断层次B样条(THB样条)。为此,我们采用了双重加权残差的后验加密策略,并提出了几种自适应的数值格式,以逼近逆调和几何参数化。因此,面向目标的后验策略和THB使能的局部细化的组合避免了过度细化,特别是在具有复杂边界的几何形状中。为了控制结果的参数属性,我们引入了域细化的概念。由此,优化映射逆谐波映射到的域的属性,以便微调重新计算的几何参数化的参数属性。
2021-11-22 cs.NA math.NA
Global root bracketing method with adaptive mesh refinement
Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学)
本文提出一种高效的全局根围方法,通过自适应网格细化确定函数在给定有界域内的所有实根,减少函数评估次数并支持偶重根检测。
2015-01-21 cs.NA math.NA
Adaptive multilevel subset simulation with selective refinement
本文提出自适应多层子集模拟,通过多层级模型分辨率、后验误差估计与选择性网格细化降低稀有事件概率估计成本,并在地下流问题中取得逾60倍加速。
2023-12-12 cs.NA math.NA
A posteriori error estimates and adaptive mesh refinement for the Stokes-Brinkman problem
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);Czech Technical University in Prague(布拉格捷克技术大学)
本文研究了斯托克斯-布林克曼问题的后验误差估计及自适应网格细化方法,通过数值实验验证了不同网格细化策略的有效性。
2019-05-31 cs.NA math.NA
Adaptive $h$-refinement for reduced-order models
Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种自适应细分降阶模型的方法,无需额外全阶模型求解。通过递归k均值聚类构建树结构,在线识别需细分的基向量以减少目标输出的误差,生成子空间层次结构,实现任意误差容忍度。
2014-07-18 cs.NA math.NA
Review and computational comparison of adaptive least-squares finite element schemes
本文综述了最小二乘有限元方法的自适应网格细化策略,比较了三种策略在二维二阶椭圆偏微分方程基准上的经验表现,并提供了可复现的数值实验。
2023-09-14 cs.NA math.NA
Goal-oriented adaptive mesh refinement for non-symmetric functional settings
本文发展了Petrov-Galerkin有限元法的一种新的统一对偶理论。这种新的理论,然后用于激励目标导向的自适应网格细化策略与不连续的彼得罗夫-伽辽金(DPG)方法。这篇文章的重点主要是破碎的超弱变分制剂的固定边值问题,然而,许多的想法内提出的足够一般,他们可以扩展到任何这样的适定变分制剂。提出的目标导向的自适应网格细化程序需要建设的细化指标的原始问题和对偶问题。在DPG上下文中,原始问题只是来自标准DPG方法的线性方程组,而对偶问题是来自与DPG对偶的新方法的类似方程组。这种新方法与相关的DPG方法具有相同的系数矩阵,但具有不同的负载。我们称这种新的有限元法为DPG* 方法。作为独立的有限元法,本文不对DPG* 方法进行全面分析,但将在后续文章中提供。对于DPG方法,回顾了现有的后验误差估计理论,改进了文献[13,定理2.1]中的可靠性估计,对于DPG* 方法,导出了三类不同的精化指标,并对严格的后验误差估计做出了一些贡献。在文章的结尾,给出了三维区域中泊松边值问题的数值实验结果。这些结果清楚地表明了面向目标的自适应网格细化策略的效用,无论是内部或边界条款的利益量。
2018-04-24 cs.CE cs.NA math.NA
Construction of 4D Simplex Space-Time Meshes for Local Bisection Schemes
自适应网格加密是有效的非结构时空有限元法的关键组成部分。当然,任何自适应网格细化方案的基础都是一种对单形进行局部细化的方法。然而,单纯形二分法在尺寸大于3有严格的网格先决条件,这可能是难以满足的。我们证明了某些四维单纯形时空网格可以处理一个放松的前提条件。也就是说,我们证明了,如果一个四面体网格是4-着色,那么我们可以产生一个四维单纯形网格,它总是满足二分法的前提。我们还简要讨论了处理四面体网格的策略,这不是4-着色。
2021-08-13 cs.NA math.NA
DynAMO: Multi-agent reinforcement learning for dynamic anticipatory mesh optimization with applications to hyperbolic conservation laws
针对含时问题传统自适应网格细化依赖瞬时误差、需频繁重网格化的问题,提出基于多智能体强化学习的DynAMO动态预期网格优化范式,可预测未来解状态,在双曲守恒律求解中性能优于传统阈值策略且泛化性更强。
2024-03-09 cs.NA math.NA physics.comp-ph
Hierarchical analysis-suitable T-splines: Formulation, Bézier extraction, and application as an adaptive basis for isogeometric analysis
Brigham Young University(杨百翰大学);University of Science and Technology of China(中国科学技术大学)
本文提出分层分析适配T-样条,其空间是分析适配T-样条和分层B-样条的超集,通过分层结构实现高效的局部细化算法,用于等几何分析的自适应基函数。
2014-04-16 cs.NA math.NA
Swarm Reinforcement Learning For Adaptive Mesh Refinement
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对传统自适应网格细化方法依赖启发式或高成本误差估计、现有学习方法仅适用于简单场景的问题,提出将AMR建模为自适应群体马尔可夫决策过程,结合消息传递网络的ASMR方法,实现高效泛化、显著加速且精度媲美高成本最优策略。
2023-10-09 cs.LG cs.MA cs.NA
Bayesian phase estimation with adaptive grid refinement
提出了一种基于自适应网格细化的贝叶斯相位估计方法。该方法使用网格细化和单元合并策略自动选择精确相位估计所需的粒子数量,使得每一步所需的粒子总数最小。所提出的方法提供了一个强大的替代传统的抽样为基础的顺序蒙特卡罗方法,往往会失败,在某些情况下,如后验分布是双峰。我们还结合基于网格和基于采样的方法作为混合粒子滤波器,其中基于网格的方法可以用来估计一个小的,但占主导地位的参数集和刘西(LW)为基础的SMC的其余参数集。主峰度分析可用于确定网格加密方法和基于采样的方法的参数选择。我们提供的数值结果比较所提出的网格加密方法与刘西reservation基于SMC的性能。数值结果表明,该方法是非常有前途的量子相位估计。它可以很容易地适应哈密顿学习,这是一个非常有用的技术,估计未知参数的哈密顿和表征未知的量子器件。
2020-09-16 cs.NA math.NA quant-ph