[논문 리뷰] Dirichlet-Neumann and Neumann-Neumann Waveform Relaxation Algorithms for Parabolic Problems

Martin J. Gander, Félix Kwok외 1명|arXiv (Cornell University)|2013. 11. 12.

Advanced Mathematical Modeling in Engineering인용 수 26

한 줄 요약

이 논문은 포물형 문제를 위한 Dirichlet-Neumann Waveform Relaxation (DNWR) 및 Neumann-Neumann Waveform Relaxation (NNWR) 알고리즘을 소개한다. 이는 이전에 타원형 문제에 사용된 비중첩 영역 분할 방법을 시간에 의존하는 PDE에 확장한 것이다. 라플라스 변환을 이용해, 유한 시간 간격에서 최적의 이완 매개수를 사용할 경우 두 방법 모두 초선형 수렴성을 증명한다. 이는 기존의 웨이브폼 리프레시 방법보다 수렴 속도를 크게 향상시킨다.

ABSTRACT

We present a waveform relaxation version of the Dirichlet-Neumann and Neumann-Neumann methods for parabolic problems. Like the Dirichlet-Neumann method for steady problems, the method is based on a non-overlapping spatial domain decomposition, and the iteration involves subdomain solves with Dirichlet boundary conditions followed by subdomain solves with Neumann boundary conditions. For the Neumann-Neumann method, one step of the method consists of solving the subdomain problems using Dirichlet interface conditions, followed by a correction step involving Neumann interface conditions. However, each subdomain problem is now in space and time, and the interface conditions are also time-dependent. Using Laplace transforms, we show for the heat equation that when we consider finite time intervals, the Dirichlet-Neumann and Neumann-Neumann methods converge superlinearly for an optimal choice of the relaxation parameter, similar to the case of Schwarz waveform relaxation algorithms. The convergence rate depends on the size of the subdomains as well as the length of the time window. For any other choice of the relaxation parameter, convergence is only linear. We illustrate our results with numerical experiments.

연구 동기 및 목표

• 이전에 타원형 문제에 사용된 비중첩 서브스트럭처링 영역 분할 방법을 시간에 의존하는 포물형 PDE로 확장하기 위해.
• 공간-시간 문제를 위한 Dirichlet-Neumann 및 Neumann-Neumann 방법의 웨이브폼 리프레시 변종을 개발하고 분석하기 위해.
• 특히 열 방정식에 대해 연속적인 설정에서 DNWR 및 NNWR의 날카로운 수렴 추정치를 확립하기 위해.
• 기존의 웨이브폼 리프레시 방법이 일반적으로 선형 수렴을 보이는 것과는 달리, 유한 시간 간격에서 초선형 수렴이 달성될 수 있음을 보여주기 위해.
• 일차원 및 이차원 공간에서의 다양한 하위영역 분할, 복잡한 분할을 포함한 수치 실험을 통해 이론적 결과를 검증하기 위해.

제안 방법

• 비중첩 영역 분할과 시간에 의존하는 경계 조건을 기반으로 한 공간-시간 병렬 알고리즘인 DNWR 및 NNWR를 제안한다.
• 특히 일차원 열 방정식에 대해 연속적인 설정에서 수렴 행동을 분석하기 위해 라플라스 변환을 사용한다.
• 핵 함수 추정 및 역 라플라스 변환을 적용하여 알고리즘의 정밀한 수렴 한계를 도출한다.
• 두 단계 반복 프로세스를 구현한다: DNWR는 딜리클레 및 뉴먼 경계 조건을 번갈아가며 하위영역 문제를 푸는 방식이며, NNWR는 뉴먼 조건을 사용한 보정 단계를 포함한다.
• NNWR의 수렴 분석을 다수의 하위영역 및 고차원 공간(2차원)으로 일반화하여, 추정치가 여전히 유효함을 보였다.
• 다양한 하위영역 크기, 이완 매개수, 시간 창을 사용한 수치 실험을 통해 이론적 수렴 속도를 검증한다.

실험 결과

연구 질문

• RQ1 디릴레흐-뉴먼 및 뉴먼-뉴먼과 같은 비중첩 서브스트럭처링 방법이 웨이브폼 리프레시를 통해 시간에 의존하는 포물형 문제로 확장될 수 있는가?
• RQ2 DNWR 및 NNWR의 수렴 행동은 유한 시간 간격에서 어떻게 되며, 기존의 선형 수렴과 다를까?
• RQ3 최적의 이완 매개수를 선택할 경우 DNWR 및 NNWR에서 초선형 수렴이 발생하는가? 이는 하위영역 크기와 시간 창 길이에 어떻게 의존하는가?
• RQ4 NNWR의 수렴 추정치는 다수의 하위영역 및 두 차원 공간으로 확장될 수 있는가?
• RQ5 DNWR 및 NNWR는 겹치는 샤워스 웨이브폼 리프레시 및 최적화된 방법과 비교해 수치적으로 어떻게 성능을 발휘하는가?

주요 결과

• 일차원 열 방정식에서, 최적의 이완 매개수를 선택할 경우 DNWR 및 NNWR는 유한 시간 간격에서 초선형 수렴을 달성한다. 이는 라플라스 변환 분석을 통해 증명되었다.
• 수렴 속도는 하위영역의 크기와 시간 창 길이에 모두 의존하며, 초선형 수렴은 오직 최적의 매개수 선택 시에만 발생한다.
• 최적의 이완 매개수가 아닐 경우, 수렴은 선형으로 회귀하며, 이는 기존의 웨이브폼 리프레시의 행동과 일치한다.
• 수치 실험을 통해 DNWR 및 NNWR의 이론적 수렴 속도가 확인되었으며, 분석에서 다루지 않은 구성, 예를 들어 2차원에서의 교차점 분할 조건에도 적용 가능하다.
• NNWR 방법은 두 차원 공간에서도 초선형 수렴을 유지하며, 수렴 추정치는 하위영역 수에 영향을 받지 않는다.
• 수치 실험에서 DNWR 및 NNWR는 표준적인 겹치는 샤워스 웨이브폼 리프레시보다 우수한 성능을 보였으며, 고차원 최적화 방법의 성능에 가까워졌다.