[論文レビュー] Randomized Oversampling for Generalized Multiscale Finite Element Methods

Victor M. Calo, Yalchin Efendiev+2 more|arXiv (Cornell University)|Sep 24, 2014

Advanced Mathematical Modeling in Engineering参考文献 14被引用数 11

ひとこと要約

本稿では、不均質な媒体におけるマルチスケール流れシミュレーションにおけるGMsFEMのオフライン計算コストを著しく削減するため、一般化されたマルチスケール有限要素法（GMsFEM）にランダム化されたオーバースampled手法を提案する。オーバースampled領域におけるランダム境界条件を用いてスナップショットベクトルを生成することで、通常は3つの基底関数に対して4〜7程度のスナップショットで、完全なスナップショット空間と同等の精度を達成しつつ、オーバースamplingと局所スペクトル分解により安定性と収束性を維持する。

ABSTRACT

In this paper, we study the development of efficient multiscale methods for flows in heterogeneous media. Our approach uses the Generalized Multiscale Finite Element (GMsFEM) framework. The main idea of GMsFEM is to approximate the solution space locally using a few multiscale basis functions. This is typically achieved by selecting an appropriate snapshot space and a local spectral decomposition, e.g., the use of oversampled regions in order to achieve an efficient model reduction. However, the successful construction of snapshot spaces may be costly if too many local problems need to be solved in order to obtain these spaces. In this paper, we show that this efficiency can be achieved using a moderate quantity of local solutions (or snapshot vectors) with random boundary conditions on oversampled regions with zero forcing. Motivated by the randomized algorithm presented in [19], we consider a snapshot space which consists of harmonic extensions of random boundary conditions defined in a domain larger than the target region. Furthermore, we perform an eigenvalue decomposition in this small space. We study the application of randomized sampling for GMsFEM in conjunction with adaptivity, where local multiscale spaces are adaptively enriched. Convergence analysis is provided. We present representative numerical results to validate the method proposed.

研究の動機と目的

• 不均質媒体の流れに対するGMsFEMにおけるスナップショット空間の構築にかかる高い計算コストを低減すること。
• すべての可能な境界条件に対して局所問題を解く必要がある、完全なスナップショット構築の代替としてより効率的な手法を開発すること。
• スナップショットベクトルの数を最小限に抑えつつ、マルチスケール離散化における精度と収束性を維持すること。
• 誤差指標を用いて局所的に基底関数を追加する適応的豊か化を可能にする、ランダムスナップショットを用いたマルチスケール空間の拡張を可能にすること。
• 提案されたランダム化オーバースamplingフレームワークの理論的収束解析と数値的検証を提供すること。

提案手法

• 目標とする粗い要素よりも大きなオーバースampled領域において、ランダム境界条件を用いて局所問題を解き、スナップショットベクトルを構築する。
• 各粗い領域内で制限されたスナップショット空間に対して局所スペクトル分解を実行し、マルチスケール基底関数を抽出する。
• オーバースamplingを用いて境界の振動を抑制し、GMsFEM離散化における収束速度を向上させる。
• ランダム化されたSVDの原則を活用し、最小限のスナップショットベクトルで主要モードを捉える。
• 誤差指標に基づいて局所的に基底関数を追加する適応的豊か化を実施し、ランダムスナップショットフレームワークを活用する。
• 理論的解析により、誤差が最小 excluded 固有値と局所問題の条件数の関数としてバインドされる。

実験結果

リサーチクエスチョン

• RQ1 オーバースampledドメインにおけるランダム境界条件が、完全なスナップショット構築に最小限の精度損失で代替可能であるか。
• RQ2 マルチスケール問題における解空間の主要モードを捉えるために、どの程度のランダムスナップショットが必要か。
• RQ3 ランダムスナップショットを用いる場合、オーバースamplingが安定性と収束性に与える影響は何か。
• RQ4 提案手法が、マルチスケール空間の効率的で適応的豊か化を可能にするか。
• RQ5 GMsFEM近似の誤差が、ランダムスナップショットの数と固有値ギャップにどのように依存するか。

主な発見

• 3つの基底関数に対してたった7つのランダムスナップショットベクトルを用いることで、すべての可能なスナップショットベクトルを用いた場合と同等の精度が達成される。
• すべての可能な境界条件に対して局所問題を解く必要がなくなるため、オフラインセットアップコストが著しく削減される。
• ランダム境界条件を用いたオーバースamplingにより、不自然な境界の振動が防止され、収束性が向上する。
• 理論的誤差バインディングにより、収束が $1/\Lambda_*$ に比例することが示され、$\Lambda_*$ は粗い領域全体で最小に除外された固有値である。
• 数値結果により、ランダム化手法が完全なスナップショット法と同等の精度を達成する一方で、計算コストを削減することが確認された。
• 誤差指標を用いたランダムスナップショットを用いた適応的豊か化は実現可能で、安定的であり、局所的な基底関数の豊か化を効果的に誘導する。