[논문 리뷰] Localized model reduction for parameterized problems

Andreas Buhr, Laura Iapichino외 4명|arXiv (Cornell University)|2019. 02. 21.

Advanced Mathematical Modeling in Engineering인용 수 5

한 줄 요약

이 논문은 하위영역에서 국소적 감소 공간을 구성하고, 일치하거나 비일치 방법을 통해 이를 결합함으로써 매개변수화된 편미분방정식을 위한 국소적 모델 순서 감소를 제안한다. 전이 고유값 문제를 통한 최적의 국소 근사 공간, 오프라인 학습을 위한 랜덤 샘플링, 적응형 강화, 그리고 사후 오차 추정을 제시하여, 다스케일, 탄성 및 유체역학 문제에 대해 계산 비용과 저장 용량을 줄인 채로 효율적인 온라인 계산을 가능하게 한다.

ABSTRACT

In this contribution we present a survey of concepts in localized model order reduction methods for parameterized partial differential equations. The key concept of localized model order reduction is to construct local reduced spaces that have only support on part of the domain and compute a global approximation by a suitable coupling of the local spaces. In detail, we show how optimal local approximation spaces can be constructed and approximated by random sampling. An overview of possible conforming and non-conforming couplings of the local spaces is provided and corresponding localized a posteriori error estimates are derived. We introduce concepts of local basis enrichment, which includes a discussion of adaptivity. Implementational aspects of localized model reduction methods are addressed. Finally, we illustrate the presented concepts for multiscale, linear elasticity and fluid-flow problems, providing several numerical experiments. This work has been accepted as a chapter in P. Benner, S. Grivet-Talocia, A. Quarteroni, G. Rozza, W.H.A. Schilders, L.M. Sileira. Handbook on Model Order Reduction. Walter De Gruyter GmbH, Berlin, 2019+.

연구 동기 및 목표

• 대규모, 다스케일, 매개변수화된 PDEs에 대한 표준 모델 순서 감소에서의 차원의 극복 문제와 높은 오프라인 비용을 해결한다.
• 전역 감소 기저 방법의 한계를 극복하기 위해 온라인 단계에서 국소적 적응성과 기하학적/위상적 유연성을 제공한다.
• 정확하고 계산적으로 효율적인 최적의 국소 감소 공간을 구성하는 프레임워크를 개발한다.
• 엄밀한 사후 오차 추정과 함께 국소적, 비일치적, 일치적 결합 전략을 통해 온라인 효율성을 확보한다.
• 적응형 기저 강화와 랜덤 샘플링을 통합하여 오프라인 학습 비용을 줄이면서도 정확성을 유지한다.

제안 방법

• 하위영역에서 국소 전이 고유값 문제의 해를 이용해 최적의 국소 감소 공간을 구성하여 콜모고로프 n-폭을 최소화한다.
• 오프라인 학습 복잡도를 줄이기 위해 최적의 국소 공간을 랜덤 샘플링을 통해 근사한다.
• 일치(예: 정적 축소, ArbiLoMod) 또는 비일치(예: 페널티 방법, DG) 결합 기법을 사용해 국소 감소 공간을 결합한다.
• 국소 감소 공간의 적응형 강화를 안내하기 위해 국소화 가능하고 온라인에서 계산 가능한 사후 오차 추정기를 유도한다.
• 비선형성 및 비아핀 매개변수 의존성 문제에서 온라인 효율성을 보장하기 위해 경험적 보간 방법(EIM)을 통합한다.
• 내적 곱이 전체 유한요소 차원이 아닌 보간 함수의 수에만 의존하도록 국소 사전자료(예: 유한요소 기저)를 선택하여 온라인 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 매개변수화된 타원형 PDEs의 하위영역에 대해 최적의 국소 감소 공간은 어떻게 구성할 수 있는가?
• RQ2 랜덤 샘플링은 국소 오프라인 학습의 정확도와 효율성에 어떤 영향을 미치는가?
• RQ3 일치 및 비일치 결합 전략은 전역 근사에서 안정성과 정확성을 확보하기 위해 어떻게 설계될 수 있는가?
• RQ4 사후 오차 추정기는 국소 감소 공간의 적응형 강화를 안내하기 위해 국소화될 수 있는가?
• RQ5 국소 모델 감소에서 비아핀 및 비선형 매개변수 의존성은 어떻게 효율적으로 다룰 수 있는가?

주요 결과

• 최적의 국소 감소 공간은 국소 전이 고유값 문제를 풀어 콜모고로프 n-폭을 최소화하고 높은 근사 정확도를 보장한다.
• 랜덤 샘플링은 최적의 국소 공간을 신뢰성 있고 효율적으로 근사하여 오프라인 학습 비용을 크게 감소시킨다.
• 국소화 가능하고 온라인에서 계산 가능한 사후 오차 추정기가 도출되어 국소 감소 공간의 적응형 강화를 가능하게 한다.
• 국소 사전자료를 사용하여 내적 곱의 계산 복잡도를 낮춰 온라인 효율성과 저장 용량을 줄인다.
• 수치 실험을 통해 다스케일, 선형 탄성 및 유체역학 문제에서 높은 정확도와 낮은 계산 비용으로 이 방법의 효과성을 입증한다.
• 오차 추정기에 기반한 적응형 강화는 최적 제어 및 몬테카를로 방법과 같은 외부 루프 응용에서 최적의 계산 복잡도를 달성한다.