[論文レビュー] Sparse Generalized Multiscale Finite Element Methods and their applications

Eric T. Chung, Yalchin Efendiev+2 more|arXiv (Cornell University)|Jun 29, 2015

Advanced Mathematical Modeling in Engineering参考文献 47被引用数 4

ひとこと要約

本稿では、スナップショット空間におけるスパarsityを活用することで、マルチスケールシミュレーションにおける計算コストを低減する2つのスパースな一般化マルチスケール有限要素法（GMsFEM）アプローチを提案する。最初の手法は、パラメータ依存問題におけるスパースなマルチスケール基底関数を特定するためのl₁最小化を用いる。2番目の手法は、ヘルムホルツ方程式に直接l₁最小化を適用する。主な結果として、4.25%のL²誤差で1,958個の非ゼロ係数を達成する高スパarsityが得られ、剛性行列の評価が高速化され、効率的なダウンスケーリングが可能になる。

ABSTRACT

In a number of previous papers, local (coarse grid) multiscale model reduction techniques are developed using a Generalized Multiscale Finite Element Method. In these approaches, multiscale basis functions are constructed using local snapshot spaces, where a snapshot space is a large space that represents the solution behavior in a coarse block. In a number of applications (e.g., those discussed in the paper), one may have a sparsity in the snapshot space for an appropriate choice of a snapshot space. More precisely, the solution may only involve a portion of the snapshot space. In this case, one can use sparsity techniques to identify multiscale basis functions. In this paper, we consider two such sparse local multiscale model reduction approaches. In the first approach (which is used for parameter-dependent multiscale PDEs), we use local minimization techniques, such as sparse POD, to identify multiscale basis functions, which are sparse in the snapshot space. These minimization techniques use $l_1$ minimization to find local multiscale basis functions, which are further used for finding the solution. In the second approach (which is used for the Helmholtz equation), we directly apply $l_1$ minimization techniques to solve the underlying PDEs. This approach is more expensive as it involves a large snapshot space; however, in this example, we can not identify a local minimization principle, such as local generalized SVD.

研究の動機と目的

• 高対比および複雑なマルチスケール問題における、スナップショット空間のスパarsityを活用する効率的なマルチスケールモデル還元技術の開発を目的とする。
• スナップショット空間の全次元を用いるのではなく、l₁最小化を用いてスパースなマルチスケール基底関数を特定することで、GMsFEMにおける計算コストを低減することを目的とする。
• 局所的スナップショットベクトルに対するスパース表現を保証することで、低次元表現の高速な解の評価とダウンスケーリングを可能とすることを目的とする。
• スナップショット空間におけるスパarsityが、パラメータ依存問題およびヘルムホルツ方程式の両方に対して体系的に活用可能かどうかを調査することを目的とする。
• スパarsity仮定の下で、数値実験を通じて計算コストの削減と収束性の妥当性を実証することを目的とする。

提案手法

• さまざまな境界条件または右辺を持つ局所PDEの解を用いて、局所スナップショット空間を構築し、局所解行動の大きな表現を形成する。
• l₁最小化技術（例：スパースPOD）を適用して、スナップショット空間内の支配的モードのスパースな部分集合を特定し、オフラインマルチスケール基底関数を形成する。
• パラメータ依存問題の場合、スナップショット空間においてスパースである基底関数を選択するための局所最小化を用い、オンラインおよびオフラインの自由度を低減する。
• ヘルムホルツ方程式の場合、大規模なスナップショット空間におけるグローバル問題に直接l₁最小化を適用し、従来の基底選択を回避する。
• 適応的豊か化として、オンライン基底関数と残差に基づく誤差指標を用いて、高誤差領域の精度を向上させる。
• オーバーサンプリングと適切に選ばれた境界条件を用いることで、スナップショット空間が解の本質的特徴を捉えつつ、スパarsityを実現できるようにする。

実験結果

リサーチクエスチョン

• RQ1 スナップショット空間におけるスパarsityを活用することで、GMsFEMにおけるマルチスケール基底関数の次元を著しく低減可能か？
• RQ2 l₁最小化は、パラメータ依存問題における局所スナップショット空間内の支配的マルチスケールモードを効果的かつ効率的に特定する有効な手法か？
• RQ3 高コストであるにもかかわらず、スナップショット空間全体に直接l₁最小化を適用することで、ヘルムホルツ方程式に対して正確かつスパースな解が得られるか？
• RQ4 テスト空間の次元と解のスパarsityの関係は何か？ そして、これにより精度と効率にどのような影響を与えるか？
• RQ5 真の解がスナップショット空間においてスパースであるような空間を、どのような条件下で構築可能か？ また、そのような空間をどのように設計できるか？

主な発見

• 提案されたスパースなGMsFEMは、解表現において高いスパarsityを達成しており、数値結果では4.25%のL²誤差で最大1,958個の非ゼロ係数を示している。
• ヘルムホルツ問題において、テスト空間の次元が増加するに従い誤差が減少し、収束を示しており、2,560個のテスト基底関数で4.25%のL²誤差を達成した。
• スナップショット空間における低次元解のスパース表現のおかげで、剛性行列の評価がより効率的に行える。
• マルチスケール基底関数が局所的スナップショットベクトルにおいてスパースであるため、解を細かいグリッドに効率的にダウンスケーリングできる。
• L²誤差は、テスト空間の次元が512から2,560に増加するに従い、79.12%から4.25%に減少し、良好な収束率を維持している。
• スパarsity仮定は極めて重要であり、スナップショット空間の構築に依存する。たとえば、特定の境界条件やオーバーサンプリングを用いることで、スパarsityが促進される。