[論文レビュー] Nonlinear Galerkin Model Reduction for Systems with Multiple Transport Velocities

Felix Black, Philipp Schulze+1 more|arXiv (Cornell University)|Dec 23, 2019

Model Reduction and Neural Networks被引用数 3

ひとこと要約

本稿では、複数の輸送速度を有する系に対して、時間に依存する変換作用素と任意の基底関数を用いる非線形ガラーキンモデル還元フレームワークを提案する。古典的手法とは異なり、非線形多様体上に射影することで、次元を低減しつつ優れた誤差制御を実現し、特殊な場合に対称性還元の「凍結法」に接続する。

ABSTRACT

We propose a new model reduction framework for problems that exhibit transport phenomena. As in the moving finite element method (MFEM), our method employs time-dependent transformation operators and, especially, generalizes MFEM to arbitrary basis functions. The new framework is suitable to obtain a low-dimensional approximation with small errors even in situations where classical model order reduction techniques require much higher dimensions for a similar approximation quality. Analogously to the MFEM framework, the reduced model is designed to minimize the residual, which is also the basis for an a-posteriori error bound. Moreover, since the dependence of the transformation operators on the reduced state is nonlinear, the resulting reduced order model is obtained by projecting the original evolution equation onto a nonlinear manifold. Furthermore, for a special case, we show a connection between our approach and the method of freezing, which is also known as symmetry reduction. Besides the construction of the reduced order model, we also analyze the problem of finding optimal basis functions based on given data of the full order solution. Especially, we show that the corresponding minimization problem has a solution and reduces to the proper orthogonal decomposition of transformed data in a special case. Finally, we demonstrate the effectiveness of our method with several analytical and numerical examples.

研究の動機と目的

• 複数の輸送速度を有する系に対して、古典的手法が低次元で高精度を達成できない状況でも効果的に対処できるモデル還元フレームワークの開発。
• 移動有限要素法（MFEM）を一般化し、任意の基底関数と非線形変換作用素を許容する。
• 残差を最小化し、後験的誤差境界をサポートする低次元モデルの構築。
• 完全順序解のデータから最適な基底関数選択戦略を導出し、近似誤差を最小化する。
• 特殊な場合に、提案手法と「凍結法」（対称性還元）との理論的関係を確立する。

提案手法

• 時間に依存する変換作用素を用い、解の進化する構造に動的に適応する。特に輸送優勢問題に適している。
• 変換作用素が低次元状態に非線形的に依存する非線形多様体上に、元の時間発展方程式を射影する。
• 弱形式の残差を最小化することで低次元モデルを導出し、これにより後験的誤差推定も可能になる。
• 最適な基底関数は、変換済みデータ上の最小化問題を解くことで得られ、特殊な場合に固有直交分解（POD）に帰着する。
• 有限要素形状に限定されない任意の基底関数を許容することで、MFEMを一般化し、柔軟性と精度を向上させる。
• 「凍結法」との理論的関連を確立し、系に対称性がある特定の条件下で等価であることを示す。

実験結果

リサーチクエスチョン

• RQ1 時間に依存する変換を用いる非線形ガラーキンフレームワークは、複数の輸送速度を有する系において、古典的手法を上回る精度を達成できるか？
• RQ2 完全順序解のデータから最適な基底関数を体系的に導出することで、近似誤差を最小化できるか？
• RQ3 提案手法は、元の有限要素制限を超えて、移動有限要素法をどのように一般化しているか？
• RQ4 対称性を有する系において、提案手法と「凍結法」（対称性還元）との関係は何か？
• RQ5 低次元モデルにおける残差最小化原理は、信頼性のある後験的誤差境界をもたらすか？

主な発見

• 古典的手法が著しく高い次元を要する状況でも、提案手法は高精度な低次元近似を達成する。
• 弱形式における残差の最小化により、明確な後験的誤差境界が得られ、信頼性が向上する。
• 最適な基底関数選択問題は解を有することを示し、特殊な場合に変換済みデータの固有直交分解（POD）に帰着する。
• 有限要素空間に制限されない任意の基底関数を許容することで、MFEMを一般化し、柔軟性と適用範囲が向上する。
• 「凍結法」との理論的関連を確立し、提案手法が対称性還元を特殊な場合として含むことを示した。
• 数値例により、低次元で輸送現象を高精度に捉える手法の有効性が確認された。