[논문 리뷰] Randomized Oversampling for Generalized Multiscale Finite Element Methods

Victor M. Calo, Yalchin Efendiev외 2명|arXiv (Cornell University)|2014. 09. 24.

Advanced Mathematical Modeling in Engineering참고 문헌 14인용 수 11

한 줄 요약

이 논문은 다중스케일 유동 시뮬레이션에서 오프라인 계산 비용을 극적으로 감소시키기 위해 일반화된 다중스케일 유한요소법(GMsFEM)에 대한 랜덤화된 오버샘플링 기법을 제안한다. 오버샘플링 영역에서 랜덤 경계 조건을 사용하여 스냅샷 벡터를 생성함으로써, 전체 스냅샷 공간과 유사한 정확도를 달성하면서도 스냅샷 수를 매우 적게(보통 3개의 기저 함수에 대해 4–7개) 유지할 수 있다. 이는 오버샘플링과 국소 스펙트럼 분해를 통해 안정성과 수렴성을 유지함으로써 달성된다.

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.

연구 동기 및 목표

• 비균질 매질의 유동에 대해 GMsFEM에서 스냅샷 공간을 구성하는 데 소요되는 높은 계산 비용을 줄이기 위해.
• 모든 가능한 경계 조건에 대해 국소 문제를 풀어야 하는 전통적 스냅샷 구성 방식에 대한 더 효율적인 대안을 개발하기 위해.
• 스냅샷 벡터의 수를 최소화하면서도 정확도와 수렴성을 유지하는 다중스케일 이산화 방법을 확보하기 위해.
• 오차 지표를 활용한 국소 기반 함수의 적응적 강화를 가능하게 하기 위해.
• 제안된 랜덤화된 오버샘플링 프레임워크에 대한 이론적 수렴 분석과 수치적 검증을 제공하기 위해.

제안 방법

• 목표로 하는 거시적 요소보다 더 큰 오버샘플링 영역에서 랜덤 경계 조건을 사용하여 국소 문제를 풀어 스냅샷 벡터를 구성한다.
• 각 거시적 영역 내에서 제한된 스냅샷 공간에 대해 국소 스펙트럼 분해를 수행하여 다중스케일 기저 함수를 추출한다.
• 오버샘플링을 통해 경계 진동을 억제하고 GMsFEM 이산화의 수렴 속도를 향상시킨다.
• 랜덤화된 SVD 원리를 활용하여 최소한의 스냅샷 벡터로도 주요 모드를 포착할 수 있도록 보장한다.
• 오차 지표에 기반하여 국소적으로 기저 함수를 추가하는 방식으로 적응적 강화를 적용하며, 이는 랜덤 스냅샷 프레임워크를 활용한다.
• 이론적 분석을 통해 오차를 가장 작은 제외된 고유값과 국소 문제의 조건수의 함수로 경계한다.

실험 결과

연구 질문

• RQ1 오버샘플링 영역에서 랜덤 경계 조건을 사용하여 전체 스냅샷 구성 방식을 최소한의 정확도 손실로 대체할 수 있는가?
• RQ2 다중스케일 문제에서 해 공간의 주요 모드를 포착하기 위해 얼마나 많은 랜덤 스냅샷이 필요한가?
• RQ3 랜덤 스냅샷을 사용할 때 오버샘플링이 안정성과 수렴성에 미치는 영향은 무엇인가?
• RQ4 제안된 방법은 다중스케일 공간의 효율적 적응적 강화를 지원할 수 있는가?
• RQ5 GMsFEM 근사의 오차는 랜덤 스냅샷 수와 고유값 갭의 크기에 따라 어떻게 척도화되는가?

주요 결과

• 3개의 기저 함수에 대해 오직 7개의 랜덤 스냅샷 벡터만으로도 모든 가능한 스냅샷 벡터를 사용한 경우와 유사한 정확도를 달성한다.
• 모든 가능한 경계 조건에 대해 국소 문제를 풀지 않기 때문에 오프라인 설정 비용을 크게 감소시킨다.
• 랜덤 경계 조건을 사용한 오버샘플링은 부당한 경계 진동을 방지하고 수렴성을 향상시킨다.
• 이론적 오차 경계는 $1/\Lambda_*$ 비례함을 보여주며, 여기서 $\Lambda_*$ 는 거시적 영역들 전반에 걸쳐 가장 작은 제외된 고유값이다.
• 수치 결과는 랜덤화된 방법이 전체 스냅샷 방법과 동일한 정확도를 유지하면서도 계산 비용을 감소시킴을 확인한다.
• 오차 지표가 국소 기반 함수 강화를 이끄는 바탕이 되므로, 랜덤 스냅샷을 활용한 적응적 강화는 실현 가능하고 강건하다.