Removing splitting/modeling error in projection/penalty methods for Navier-Stokes simulations with continuous data assimilation
本文研究了应用于Navier-Stokes方程的投影和罚方法的连续数据同化(CDA)。惩罚和投影方法比一致的NS离散化更有效,但是由于建模误差(惩罚)和分裂误差(投影)而不太准确。我们分析和数值计算表明,与测量数据和适当选择的参数,CDA可以有效地消除这些分裂和建模误差,并提供长时间的最佳精度的解决方案。
2023-02-12 cs.NA math.NA
Error analysis of fully discrete mixed finite element data assimilation schemes for the Navier-Stokes equations
Universidad de Sevilla(塞维利亚大学);Universidad Autónoma de Madrid(马德里自治大学)
本文研究了Navier-Stokes方程的全离散混合有限元数据同化方案的误差分析,采用inf-sup稳定的混合有限元方法进行空间离散,分析了不同时间离散方法下的误差估计,包括隐式欧拉法、隐式和半隐式二阶BDF2方案等,并考虑了伽辽金方法和带grad-div稳定化的伽辽金方法的空间离散。
2019-04-12 cs.NA math.NA
Accuracy controlled data assimilation for parabolic problems
本文关注的是恢复(近似)解决方案的抛物问题,从不完整的,可能不一致的观测数据,给出了一个时间-空间的圆柱,这是一个严格的子集的计算域正在考虑。与以前的方法,这个和相关的问题,我们的出发点是一个正则化的最小二乘制定在一个连续的无限维设置,是基于稳定的变分时空配方的抛物型偏微分方程。这使我们能够推导出先验以及后验误差界的恢复状态相对于某一参考解决方案。在这些界限中,正则化参数与底层离散化无关。推导后验界的一个重要组成部分是建设合适的福廷运营商,使我们能够控制振荡的双重规范的离散化所产生的错误。此外,变分框架允许我们设计的预条件的离散问题,其应用程序可以在线性时间内进行,并且其中的预条件系统的条件数是均匀成比例的正则化连续问题。特别是,我们提供了适当的停止准则的基础上的后验误差界的迭代求解器。所提出的数值实验量化的理论研究结果,并证明了性能的数值方案与底层的离散化和正则化。
2021-07-12 cs.NA math.NA
Uniform in time error estimates for fully discrete numerical schemes of a data assimilation algorithm
Texas A&M University(德克萨斯农工大学);Weizmann Institute of Science(魏茨曼科学研究所)
本文研究了用于近似给定粗网格观测数据的2D纳维-斯托克斯方程速度场的数据同化算法的完全离散数值方案,分析了半隐式和全隐式欧拉方案的时间离散方法,并在L2和H1范数下获得了统一时间误差估计。
2018-05-04 cs.NA math.NA
Fully discrete finite element data assimilation method for the heat equation
University College London(伦敦大学学院);MRC Biostatistics Unit, University of Cambridge(剑桥大学医学研究委员会生物统计单元)
本文提出一种全离散有限元方法用于热方程终态重构,通过在空间时间子域内给定额外数据,结合有限元离散和后向差分时间离散,利用H^1半范数惩罚项实现稳定化,获得最优误差估计。
2017-07-21 cs.NA math.NA
Data assimilation for the heat equation using stabilized finite element methods
University College London(伦敦大学学院)
本文研究了利用稳定有限元方法对热方程进行数据同化,通过优化方法设计正则化算子和参数,并推导了误差估计,展示了两种不同稳定性特性的数据同化情况。
2016-09-16 cs.NA math.NA
Analysis of continuous data assimilation with large (or even infinite) nudging parameters
本文针对偏微分方程离散化中的连续数据同化,提出基于加权内积的误差分解方法,证明热方程和Navier-Stokes方程在任意大微调参数下仍可获得与参数无关的最优长时间精确解。
2024-08-01 cs.NA math.NA
Ensemble Data Assimilation for Particle-based Methods
针对拉格朗日粒子模拟缺乏数据同化方案的问题,提出结合欧拉变换重网格化与纯拉格朗日两种 EnKF 方法,并在一维及二维不可压缩流中验证有效。
2024-12-08 cs.NA math.NA
One-sided discretization inequalities and sampling recovery
本文作为综述/研究论文,重点探讨单侧离散化不等式及其在采样恢复问题中的应用,补充了现有的采样离散化综述。
2024-10-15 cs.NA math.FA math.NA
A Reynolds-Semi-Robust, Globally Divergence-Free E-HDG/IMEX-SAV Method for Variational Initial-State Data Assimilation of the Navier-Stokes Equations
School of Mathematics, Sichuan University(四川大学数学学院)
本文提出一种E-HDG/IMEX-SAV方法,用于Navier-Stokes方程的变分初始状态数据同化,实现全局无散和Reynolds半稳健的误差估计,数值实验验证了其有效性和稳定性。
2026-09-16 cs.NA math.NA
Data Assimilation in Reduced Modeling
本文研究了在降维建模中如何通过已知线性泛函的测量数据最优恢复希尔伯特空间中的元素,提出了一种多空间问题的近最优恢复算法,通过交替投影迭代方法实现更精确的恢复。
2015-06-15 cs.NA math.NA
$L_2$-norm sampling discretization and recovery of functions from RKHS with finite trace
本文在随机函数样本的$D \subset \R^d$上研究了RKHS中复值函数的$L_2$-范数采样离散和采样恢复问题。我们只假设核的有限迹(Hilbert-Schmidt嵌入到$L_2$中),并提供了几个具体的估计与相应的最坏情况下的误差的精确常数。一般来说,我们的分析不需要任何额外的假设,并且还包括非Mercer内核和不可分离RKHS的情况。失效概率受到控制,并在$n$(样本的样本个数)中多项式衰减。根据温和的额外的假设,可分性,我们观察到改进的收敛速度有关的奇异值的衰减。我们的主要工具是一个谱范数浓度不等式无限复杂的随机矩阵与独立的行补充早期的结果由Rudelson,Mendelson,Pajor,Oliveira和Rauhut。
2021-04-29 cs.NA math.NA
Continuous data assimilation for problems with limited regularity using non-interpolant observables
本文针对有限正则性问题提出使用非插值观测量的连续数据同化方案,证明离散解指数收敛且误差最优,并通过数值实验验证了三种策略的有效性。
2025-03-28 cs.NA math.NA
A Pressure-Stabilized Continuous Data Assimilation Reduced Order Model
针对二维不可压缩Navier-Stokes方程,提出基于连续数据同化的压力稳定降阶模型,通过引入反馈控制项同时利用速度和压力模态,绕过离散inf-sup条件,保证高精度并提升计算效率,理论分析与基准测试验证了其无条件稳定性与收敛性。
2023-04-01 cs.NA math.NA
Dynamical Low-Rank Filters for Data Assimilation
University of Manchester(曼彻斯特大学);Massachusetts Institute of Technology(麻省理工学院);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
该研究针对基于随机微分方程的数据同化问题,提出动态低秩型滤波器,推导DLRA滤波器并扩展至Kalman-Bucy型及集合方法,还提出粒子型DLRA滤波器,数值模拟验证了其在非线性场景的有效性。
2026-10-15 cs.NA math.NA
Recovery by discretization corrected particle strength exchange (DC PSE) operators
提出了一种基于离散化修正粒子强度交换(DC PSE)算子的数据恢复方法。DC PSE是一种配置法,可用于直接在节点处计算导数,而不是像许多基于有限元的恢复技术中那样通过从高斯点投影来计算。该方法是真正的无网格,不需要补丁的元素被定义,这使得它通常适用于点云和任意的元素拓扑结构。数值算例表明,该方法具有较好的精度和鲁棒性.
2022-04-15 cs.CE cs.NA math.NA
Data Assimilation and Sampling in Banach spaces
本文研究在Banach空间中从测量数据恢复函数的问题,提出了一种新的模型类K=K(ε,V),并给出了恢复近似集的理论和算法,连接了Banach空间理论中的 lifting 和空间角度等概念。
2016-08-05 cs.NA math.NA
Data assimilation in 2D incompressible Navier-Stokes equations, using a stabilized explicit $O(Δt)^2$ leapfrog finite difference scheme run backward in time
本文研究二维不可压缩 Navier-Stokes 方程的数据同化问题,提出一种稳定化显式蛙跳有限差分格式向后推进方法,在远超传统不确定性估计限制的时间范围内成功从非光滑终端数据恢复初始值,并通过飓风卫星图像实验验证了其有效性。
2024-11-21 cs.NA math.NA
Robust recovery-type a posteriori error estimators for streamline upwind/Petrov Galerkin discretizations for singularly perturbed problems
Chongqing Jiaotong University(重庆交通大学);Texas A&M International University(德州农工国际大学);Beijing Computational Science Research Center(北京计算科学研究中心);Wayne State University(韦恩州立大学)
本文研究了新的双范数下适应性流线向上/皮尔逊-加尔金方法,通过局部平均或加权全局L²投影恢复通量,并引入恢复稳定化过程,开发出对奇异摄动参数ε完全鲁棒的后验误差估计器。
2016-09-14 cs.NA math.NA
Continuous Data Assimilation Reduced Order Models of Fluid Flow
Clemson University(克莱姆森大学);University of Pittsburgh(匹兹堡大学);Virginia Tech(弗吉尼亚理工大学)
本文提出并测试了一种新的连续数据同化降阶模型(DA-ROM),用于模拟不可压缩流体流动,通过结合数据同化和降阶建模技术,提高长时间模拟的准确性。
2019-03-10 cs.NA math.NA
Sampling discretization in Orlicz spaces
本文研究了有限维空间上Orlicz范数下的抽样离散化问题,获得了新结果,并将其应用于分析不同Orlicz范数下的抽样恢复问题,特别是接近$L^2$范数的线性方法恢复。
2024-08-25 cs.NA math.FA math.NA
Numerical analysis of data assimilation for slightly compressible flow
Gazi University(加齐大学);The Ohio State University(俄亥俄州立大学)
本文对同时同化速度与压力数据的弱可压缩流动数据同化模型及其有限元离散化开展数值分析,建立稳定性与误差估计,验证最优收敛率。
2026-08-31 cs.NA math.NA
Adjoint-based Data Assimilation of an Epidemiology Model for the Covid-19 Pandemic in 2020
数据同化用于将经典流行病学模型与约翰霍普金斯大学的Covid-19大流行数据进行最佳拟合。优化是基于确诊病例和确诊死亡病例。这是唯一具有合理准确性的可用数据。从模型和模型参数可以推断感染率和恢复率。这些参数可以与政府行动或假期结束等事件联系起来。根据这些数字,可以对未来进行预测,并指定控制目标。换句话说:我们寻找一个给定模型的解决方案,它在最佳意义上适合给定的数据。有了这个解决方案,我们就有了所有的参数。
2020-03-29 cs.NA math.NA math.OC
A Metric Tensor Approach to Data Assimilation with Adaptive Moving Meshes
自适应移动网格是求解由时间相关偏微分方程给出的物理模型的有效方法。然而,当结合自适应网格程序与基于集合的数据同化(DA)技术时,必须给予特殊的考虑。特别是,我们专注于的情况下,每个合奏成员evolvesindependently对自己的网格和插值到一个共同的网格DA更新。本文概述了一种方法来开发时间相关的参考网格使用的位置的观测和度量张量(MT)或监控功能,定义的空间网格的集合成员。我们开发了一个基于度量张量的时间依赖的空间定位方案(MT定位)。本文还探讨了自适应移动网格技术如何控制和通知网格点的位置,使其集中在观测点附近,从而减小观测插值的误差。当我们在具有稀疏空间离散化的位置进行观测时,这是特别有益的。我们使用不连续的Galerkin(DG)近似的一维和二维无粘Burgers方程说明我们的结果的实用性。数值结果表明,MT定位方案相比,毫不逊色于标准的Gaspari-Cohn定位技术。在观测稀疏的问题中,公共网格的选择对DA性能有直接影响。数值结果也表明了基于DG的插值方法相对于线性插值的优越性。
2021-09-13 cs.NA math.NA
Higher Accuracy Modular Data Assimilation for the Navier-Stokes Equations
University of Pittsburgh(匹兹堡大学)
提出BDF2时间离散与两步松弛型数据同化的模块化组合,分析步可显式实现且具有隐式稳定性,理论证明稳定性与误差估计,数值实验表明精度与全耦合方法相当但计算成本大幅降低。
2026-10-23 cs.NA math.NA
Universal discretization and sparse sampling recovery
本文利用有限维子空间集合的通用离散化最新结果,建立了平方范数下最优稀疏恢复与一致范数下最佳稀疏逼近之间的不等式关系。
2023-05-16 cs.IT cs.NA math.CA
Lebesgue-type inequalities in sparse sampling recovery
本文将平方范数下的稀疏采样恢复结果推广到一般$L_p$范数,在巴拿赫空间框架下证明基于$L_p$-通用离散化好点的弱切比雪夫贪婪算法对$2\le p<\infty$具有良好恢复性能,并揭示了稳定恢复与采样离散化的紧密联系。
2023-07-09 cs.NA math.FA math.NA
A Unified Equilibrated Flux Recovery Framework with Robust A Posteriori Error Estimation
University of Georgia(佐治亚大学)
本文提出了一种统一的平衡通量恢复框架EARM,适用于不同有限元离散化,并通过正交空-消去方法确保唯一性,同时建立了鲁棒的后验误差估计器。
2026-01-04 cs.NA math.NA
All Well--Posed Problems have Uniformly Stable and Convergent Discretizations
Univ. Göttingen(哥廷根大学)
本文研究了线性算子方程类,证明所有良好设定的线性问题都有稳定且可细化的计算离散化,且稳定性由问题自身决定,不依赖离散化方法。
2014-03-14 cs.NA math.NA
Global Recovery from Local Data: Interior Nudging for 2D Navier-Stokes equations in a Physical Domain
The Ohio State University(俄亥俄州立大学);California State University Northridge(北岭加州州立大学)
通过局部nudging方法,利用域内观测数据实现二维纳维-斯托克斯方程的全局恢复,无需全域观测。
2026-01-16 cs.NA math.NA nlin.CD
On universal sampling recovery in the uniform norm
本文利用一致范数下的通用采样离散化与表示结果,为多变量周期函数的各向异性Sobolev和Nikol'skii类建立通用采样恢复方法,并在二变量情形下借助Fibonacci点集获得最精确结果。
2023-07-08 cs.NA math.FA math.NA
A finite element continuous data assimilation framework for a Navier--Stokes--Cahn--Hilliard system
Indiana University Bloomington(印第安纳大学布鲁明顿分校)
本文提出了一种用于Navier-Stokes-Cahn-Hilliard系统的有限元连续数据同化框架,通过粗网格观测恢复轨迹并验证其有效性。
2026-03-09 cs.NA math.NA
Sparse sampling recovery by greedy algorithms
本文结合弱切比雪夫贪婪算法与通用采样离散化理论,为满足特定性质的系统建立稀疏采样恢复的勒贝格型不等式及多变量函数类误差界。
2023-12-30 cs.NA math.FA math.NA
A discrete data assimilation algorithm for the reconstruction of Gray--Scott dynamics
Bielefeld University(比勒费尔德大学)
针对Gray--Scott模型对初始条件敏感易致模拟偏离真实动力学的问题,提出基于张弛的有限体积数据同化算法,证明连续与全离散格式下的同步性及误差指数衰减,数值测试验证了其从稀疏数据恢复精细结构的效果。
2025-10-04 cs.NA math.AP math.NA
Exact discretization, tight frames and recovery via D-optimal designs
Faculty of Mathematics of Chemnitz University of Technology(开姆尼茨工业大学数学系);Institute of Mathematics of NAS of Ukraine(乌克兰国家科学院数学研究所)
本文利用最大化 Gramian 行列式的 D-最优设计,在 L2 中确定性构造紧框架、精确离散测度与加权最小二乘恢复点权,并给出点数上界及格点规则的不可能性结果。
2024-12-03 cs.NA math.NA
Data driven recovery of local volatility surfaces
University of Vienna(维也纳大学);University of British Columbia(不列颠哥伦比亚大学);IMPA(巴西纯数学和应用数学研究所)
本文探讨了在期权校准中通过局部波动率曲面恢复时数据补全和位置不确定性的问题。通过对比正则化方法与EnKF方法,研究了如何在数据稀缺时改进数据同化过程。
2015-12-23 cs.NA math.NA
Sparse sampling recovery in integral norms on some function classes
本研究在通用采样离散化、无条件性质及Nikol'skii型不等式假设下,证明基于$L_2$通用离散化采样点的弱正交匹配追踪算法可在$2\le p<\infty$的$L_p$范数下实现良好稀疏采样恢复,得到单函数Lebesgue型不等式与多元函数类误差界,丰富了采样恢复理论。
2024-01-26 cs.NA math.FA math.NA
Numerical Solution for Nonlinear 4D Variational Data Assimilation (4D-Var) via ADMM
针对经典4D-Var梯度算法对初始猜测敏感、易陷局部极小的问题,提出带正则化的线性化多块ADMM方法,通过推导全系统欧拉-拉格朗日方程提升观测数据利用率,在多类动力系统实验中验证了其鲁棒性与计算效率。
2024-10-06 cs.NA math.NA math.OC
Feature-preserving Latent-EnKF for Data Assimilation of Flows with Shocks
Department of Mechanical Engineering, Johns Hopkins University(约翰霍普金斯大学机械工程系)
针对含激波流动中EnKF因多模态统计产生伪振荡的问题,提出在学习的低维潜在空间进行集合更新以保持激波特征,并通过共享解码器恢复物理状态,数值实验验证了无伪振荡的准确特征恢复。
2026-10-16 cs.LG cs.NA math.NA
Consistent and convergent discretizations of Helfrich-type energies on general meshes
UCLouvain(鲁汶大学)
本文证明曲面上 Helfrich 型积分曲率能量在三角复形上存在离散形式,通过结合渐近下界与恢复序列实现一致且收敛的离散化。
2025-11-04 cs.NA math.AP math.DG
A structure-aware construction of quantum BPX preconditioners for Q1 finite element discretizations of reaction-diffusion problems
School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算科学学院)
针对反应扩散问题的Q1有限元离散,提出结构感知的量子BPX预条件子构造,利用局部L2正交基表示状态,实现高效量子态制备,误差可控,查询复杂度仅多对数依赖于网格细化。
2026-10-07 cs.NA math.NA
Concurrent multi-parameter learning demonstrated on the Kuramoto-Sivashinsky equation
本研究提出一种基于nudging数据同化方案的并行多参数估计算法,可在状态部分观测的耗散偏微分方程系统中同时估计多个标量参数,经一维Kuramoto-Sivashinsky方程测试验证了有效性,且易推广到其他系统。
2022-04-26 cs.NA math.DS math.NA