Structure-Preserving Discretization and Model Reduction for Energy-Based Models
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Technische Universität Berlin(柏林工业大学)
针对一类新提出的基于能量模型,采用Petrov-Galerkin方法结合适当投影,实现了时间离散、空间离散和模型降阶的保耗散结构,并通过非线性电路、Cahn-Hilliard方程等数值实验验证了有效性。
2026-05-28 cs.NA math.NA
Structure-preserving model order reduction of Hamiltonian systems
我们讨论了基于投影的模型降阶(MOR)技术针对哈密顿问题的最新发展。哈密尔顿原理完全刻画了数学物理中的许多高维模型,从而产生了丰富的几何结构,在流体动力学、量子力学、光学系统和流行病学模型中都有例子。MOR通过引入低维代理模型,降低了与复杂系统近似相关的计算负担,从而实现高效的多查询数值模拟。然而,标准的简化方法不能保证哈密顿问题的微妙动力学的守恒,导致降阶模型随着时间的推移受到不稳定或精度损失的困扰。通过从辛流形的几何角度来逼近约化过程,得到的降阶模型继承了高维公式的稳定性和守恒性。我们首先介绍了辛几何的一般原理,包括辛向量空间、达布定理和哈密尔顿向量场。这些概念,然后作为一个起点,开发不同的结构保持减少基(RB)算法,包括基于SVD的方法和贪婪技术。我们的结论审查解决减少的问题,不是线性可减少的或在一个非规范的哈密顿形式。
2021-09-25 cs.NA math.NA
A higher order moment preserving reduction scheme for the Stochastic Weighted Particle Method
随机加权粒子法(英语:Stochastic Weighted Particle Method,SWPM)是由Rjasanow和Wagner开发的一种蒙特卡罗方法,它是对Bird的直接模拟蒙特卡罗(DSMC)方法的推广,用于求解玻尔兹曼方程。为了减少计算成本,由于在SWPM中的随机粒子的数量逐渐增加,Rjasanow和瓦格纳提出了几个粒子减少计划,旨在保持指定的时刻的速度分布。在这里,我们介绍了一种改进的粒子减少计划,保留所有的时刻的速度分布的二阶,以及原始和中心的热通量内的每一组粒子减少和整个系统。此外,我们证明了新的减少计划的标量四阶矩可以更准确地计算在减少计算成本。
2021-01-05 cs.NA math.NA
Stability-preserving model order reduction for linear stochastic Galerkin systems
在科学和工程中,数学建模经常产生线性动力系统。我们将系统的物理参数转换成随机变量来进行不确定性量化。随机Galerkin方法产生较大的线性动力系统,其解表示随机过程的近似。Galerkin系统的模型降阶(MOR)由于高维性而是有利的。然而,在某些MOR技术中可能会失去渐近稳定性。在Galerkin型MOR方法中,稳定性可以通过转换到耗散形式来保证。无论是原动力系统还是随机Galerkin系统都可以进行变换。我们调查的两个变种,这种保持稳定的方法。这两种技术都是可行的,但在数值方法中具有不同的特性。数值计算的结果表明,两个测试的例子建模的机械应用和电路,分别。
2019-09-16 cs.NA math.NA
Projection methods and discrete gradient methods for preserving first integrals of ODEs
本文研究线性投影方法在逼近解并同时保持自治常微分方程首次积分中的应用,证明投影方法是离散梯度方法的子集,并给出存在性、唯一性和精度保持的结论。
2013-02-12 cs.NA math.DS math.NA
Rank-adaptive structure-preserving model order reduction of Hamiltonian systems
针对有限维参数化哈密顿系统的非耗散现象,提出了一种自适应保结构模型降阶方法.为了克服缓慢衰减的Kolmogorov宽度典型的运输问题,完整的模型近似的本地减少空间,适应在时间上使用动态低秩近似技术。约化动力学通过将切空间中的哈密顿向量场的辛投影近似到局部约化空间来描述。这确保了在约化过程中保持哈密顿动力学的正则辛结构。此外,精确的近似与低秩约化的解决方案,通过允许减少空间的尺寸在时间演化过程中的变化。每当减少的解决方案的质量,通过误差指标评估,是不令人满意的,减少的基础上增加的参数方向是最差的近似由当前的基础。涉及波的相互作用,非线性输运问题,和Vlasov方程的广泛的数值试验表明,优越的稳定性和相当大的运行时加速所提出的方法相比,全球和传统的减少基础的方法。
2022-02-01 cs.NA math.NA
A class of monotonicity-preserving variable-step discretizations for Volterra integral equations and time fractional ordinary differential equations
该研究针对非均匀网格上带非递增完全正核的Volterra积分方程,提出互补单调性与右互补单调(R-CMM)核概念,证明具R-CMM性质的离散格式的数值解可继承原方程单调性,且步长比不受限,为相关方程保单调变步长离散提供理论支撑。
2023-10-03 cs.NA math.NA
Passivity preserving model reduction via spectral factorization
我们提出了一种新的模型降阶(MOR)方法的线性定常系统,保持无源性,因此适用于端口哈密顿(pH)系统的结构保持MOR。我们的算法利用著名的谱分解的波波夫函数的卡尔曼-雅库博维奇-波波夫(KYP)不等式的解决方案。它直接在继承原始系统的稀疏性的谱因子上执行MOR,从而在大规模上下文中实现MOR。我们的分析表明,谱分解对应于相关的代数Riccati方程的最小解是优选的,从模型降阶的角度来看,并有利于保持pH值的MOR方法,如修改版本的迭代有理Krylov算法(IRKA)。数值例子表明,我们的方法可以产生高保真的降阶模型接近(非结构化)$\mathcal{H}_2$ -最优降阶模型。
2021-08-27 cs.NA math.DS math.NA
Stability-Preserving, Adaptive Model Order Reduction of DAEs by Krylov-Subspace Methods
Technische Universität München(慕尼黑工业大学)
本文提出两种基于DAE结构的稳定性保持降阶方法,通过保留耗散性和H2伪最优性实现降阶同时保持约束和基本性质。
2015-08-28 cs.NA math.DS math.NA
New classes of quadratic vector fields admitting integral-preserving Kahan-Hirota-Kimura discretizations
本文提出新的二次向量场家族,其Kahan-Hirota-Kimura离散化能保持连续系统的守恒量和不变测度。
2016-10-12 cs.NA math-ph math.MP
Structure-preserving Model Reduction for Nonlinear Port-Hamiltonian Systems
Thammasat University(朱拉隆功大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工大学)
本文提出一种适用于大规模非线性端哈密顿系统的保持结构模型降维方法,通过保持端哈密顿结构确保降维模型的稳定性和被动性,并提供状态变量和输出的先验误差界。
2016-01-04 cs.NA math.DS math.NA
Discrete gradient methods for preserving a first integral of an ordinary differential equation
La Trobe University(拉筹伯大学)
本文研究离散梯度方法用于逼近自治常微分方程的解并保持其首次积分,证明了大类方法的存在性、局部唯一性和任意高阶构造,并针对二次首次积分提出了线性隐式高阶新方法。
2013-01-21 cs.NA math.DS math.NA
Structure-Preserving Model Reduction for Port-Hamiltonian Systems Based on a Special Class of Nonlinear Approximation Ansatzes
本文针对输运主导的端口-哈密顿系统,提出基于状态相关非线性ansatz的保结构模型降阶方法,通过加权残差最小化获得稳定降阶模型,并用两个数值案例验证有效性。
2023-05-15 cs.NA math.NA math.OC
Nonlinear energy-preserving model reduction with lifting transformations that quadratize the energy
Department of Mechanical and Aerospace Engineering, University of California San Diego, CA, United States(机械与航空航天工程系,加州大学圣地亚哥分校)
针对含一般非线性的保守PDE,提出通过能量二次化提升变换结合POD构建精确守恒二次能量的降阶模型,并在四类方程上验证其精度、在线效率与离线收益。
2025-10-18 cs.LG cs.NA math.NA
Structure-Preserving Model Reduction for Dissipative Mechanical Systems
本文综述了针对二阶耗散机械系统的保结构模型降阶方法,涵盖模态截断、平衡截断及有理插值等不同途径,并通过数值算例验证了这些方法在振动抑制问题中的有效性。
2022-01-26 cs.NA cs.SY eess.SY
Port-Hamiltonian Fluid-Structure Interaction Modeling and Structure-Preserving Model Order Reduction of a Classical Guitar
针对古典吉他流固耦合建模问题,提出端口哈密顿形式的多物理场阻尼模型,结合多种基生成技术与不依赖投影基的保结构降阶方法开展全面对比,实现瞬态仿真并整合至商用与自研结合的工作流。
2022-03-18 cs.NA math.DS math.NA
Structure-Preserving Interpolation for Model Reduction of Parametric Bilinear Systems
本文提出了一种参数双线性动力系统保结构模型降阶的插值框架。我们介绍了一个通用的设置,涵盖了各种不同的结构参数双线性系统,然后提供条件的投影空间的插值结构化子系统传递函数,使系统的结构和参数依赖关系被保留在降阶模型。两个基准测试的例子与不同的参数依赖性来证明理论分析。
2020-07-22 cs.NA cs.SY eess.SY
An explicit integrator uniform in the true anomaly and exactly preserving all integrals of motion in the three-dimensional Kepler problem
University of Bialystok(比亚韦斯托克大学)
本文提出一种显式积分器,能够在三维开普勒问题中精确保持所有运动积分,从而保持轨道轨迹的精确形状和方向,避免伪预cession,具有高精度和长期稳定性。
2025-12-13 cs.NA math-ph math.DS
FINDE: Neural Differential Equations for Finding and Preserving Invariant Quantities
Osaka University(大阪大学);Kobe University(神户大学)
许多真实世界的动力系统都与第一积分(a.k.a.不变量),其是随时间保持不变的量。首次积分的发现和理解是自然科学和工业应用中的基本和重要课题。第一积分源于系统能量、动量和质量的守恒定律,以及对状态的约束;这些通常与控制方程的特定几何结构有关。现有的神经网络设计,以确保这样的第一个积分已显示出出色的精度,从数据建模。然而,这些模型包含了底层结构,在神经网络学习未知系统的大多数情况下,这些结构也是未知的。这一限制需要克服科学发现和未知系统的建模。为此,我们提出了第一个保积分神经微分方程(FINDE)。通过利用投影方法和离散梯度方法,即使在缺乏关于底层结构的先验知识的情况下,FINDE也可以从数据中找到并保留第一积分。实验结果表明,FINDE可以更长时间地预测目标系统的未来状态,并以统一的方式找到与著名的第一积分一致的各种量。
2023-03-28 cs.LG cs.NA math.DS
Structure-Preserving Model Order Reduction for Index Two Port-Hamiltonian Descriptor Systems
针对微分指数为2的端口-哈密顿广义系统(pH-DAE),提出了一种新的基于优化的保结构模型降阶方法.我们的方法是基于一种新的参数化,使我们能够表示任何线性时不变的pH-DAE与最小数量的参数,这使得它非常适合模型简化。我们提出了两种算法,直接优化参数的简化模型,以近似一个给定的大规模模型的H-无穷或H-2范数。这种方法有几个好处。我们的参数化确保了简化模型再次是一个pH-DAE系统,并实现了大规模模型的代数部分的紧凑表示,这在基于投影的方法中通常需要更复杂的处理。直接优化完全基于大规模模型的传递函数评估,因此与系统矩阵的结构无关。数值实验表明,与其他结构保持MOR方法相比,该方法具有较高的精度和较小的模型阶数。
2022-06-08 cs.NA cs.SY eess.SY
Data-driven structure-preserving model reduction for stochastic Hamiltonian systems
针对随机哈密顿系统高维度及大量Monte Carlo模拟计算成本高的问题,将基于SVD的模型降阶技术和本征辛分解方法推广至该类系统,经数值实验验证其保结构特性可提升解的精度、稳定性与能量守恒效果。
2024-01-30 cs.NA math.DG math.DS
Structure-preserving Interpolatory Model Reduction for Port-Hamiltonian Differential-Algebraic Systems
我们研究插值模型降阶法,是非常适合于治疗大规模的端口-哈密顿微分代数系统的方式,是能够保持,实际上,利用系统的基本结构特征。我们介绍的方法,将正则化与谨慎选择插值数据。我们专注于线性定常系统,并提出了一个系统的治疗的各种模型类,包括组合的索引- $1$和索引- $2$系统,特别是如何描述的约束可以表示在传递函数,然后保存与插值方法。我们提出了一个算法来产生有效的插值数据,并通过两个数值例子说明其有效性。
2021-11-01 cs.NA cs.SY eess.SY