[论文解读] Anisotropic Mesh Adaptation for Variational Problems Using Error Estimation Based on Hierarchical Bases

Weizhang Huang, Lennard Kamenski+1 more|arXiv (Cornell University)|Jun 1, 2010

Advanced Numerical Methods in Computational Mathematics参考文献 16被引用 6

一句话总结

该论文提出了一种针对变分问题的完全后验各向异性网格自适应方法，利用层次基误差估计算法（HBEE）构建度量张量。该方法结合残差、边跳跃和HBEE来引导网格加密，其性能与基于Hessian恢复的方法相当，同时避免了对精确Hessian信息的依赖，数值结果表明其在边界层处具有良好的对齐性，并在具有挑战性的各向异性问题中显著改善了网格的长宽比。

ABSTRACT

Anisotropic mesh adaptation has been successfully applied to the numerical solution of partial differential equations but little considered for variational problems. In this paper, we investigate the use of a global hierarchical basis error estimator for the development of an anisotropic metric tensor needed for the adaptive finite element solution of variational problems. The new metric tensor is completely a~posteriori and based on residual, edge jumps and the hierarchical basis error estimator. Numerical results show that it performs comparable with existing metric tensors based on Hessian recovery. A few sweeps of the symmetric Gauß-Seidel iteration for solving the global error problem prove sufficient to provide directional information necessary for successful mesh adaptation. .

研究动机与目标

• 为变分问题中的各向异性网格自适应开发一种完全后验的度量张量，避免依赖解的精确Hessian矩阵。
• 研究全局层次基误差估计算法（HBEE）是否能提供足够的方向信息以实现有效的各向异性网格自适应。
• 比较基于HBEE的度量张量与基于Hessian恢复和各向同性方法在解析陡峭边界层和各向异性特征方面的性能。
• 证明对全局误差问题进行少量对称 Gauss–Seidel 迭代即可提取足够的方向信息以实现有效的各向异性网格生成。

提出的方法

• 仅基于后验计算的残差、边跳跃和全局层次基误差估计算法（HBEE）构建度量张量 $ M $。
• 采用 $ M $-均匀网格方法，即在由 $ M $ 定义的度量下对网格进行均匀加密，从而确保对解的各向异性特征实现最优适应。
• 建立包含残差、边跳跃和HBEE的泛函变化的上界，该上界在 $ M $-均匀网格上最小化，以确定最优 $ M $。
• 通过少量对称 Gauss–Seidel 迭代近似求解全局误差问题，以提取用于网格方向和各向异性的方向信息。
• 应用所得的度量张量生成自适应网格，使网格在误差较高的区域集中，并与解的梯度对齐。
• 在三个基准问题上验证该方法：具有边界层的反应-扩散问题、对流-扩散问题，以及基于总变差的图像处理泛函。

实验结果

研究问题

• RQ1 基于HBEE的完全后验度量张量是否能在不依赖精确解的Hessian矩阵的情况下，为变分问题提供有效的各向异性网格自适应？
• RQ2 HBEE-based网格自适应在解析陡峭边界层和各向异性特征方面的性能与基于Hessian恢复和各向同性方法相比如何？
• RQ3 对全局误差问题的少量迭代近似是否足以提取用于成功各向异性网格生成的方向信息？
• RQ4 HBEE-based方法是否避免了Hessian恢复带来的平滑效应，从而在高各向异性区域保持更好的网格对齐性和长宽比？
• RQ5 在具有不连续性或陡峭梯度的问题中，全局误差估计是否能提供比基于局部残差的方法更鲁棒的网格自适应？

主要发现

• 在所有数值示例中，基于HBEE的度量张量实现了与基于Hessian恢复方法相当的网格自适应性能，尤其在解析陡峭边界层方面表现优异。
• 在示例4.2中，基于HBEE的自适应网格实现了最大长宽比51，显著高于各向同性网格（3.4），且与基于Hessian恢复的网格（15）相当，表明其在各向异性分辨率方面具有显著优势。
• 在示例4.2中，基于HBEE的网格在陡峭边界层处的对齐性略优于基于Hessian恢复的网格，表明其平滑效应更小，方向适应更精确。
• 对全局误差问题进行少量对称 Gauss–Seidel 迭代即可提供足够方向信息，实现有效的各向异性网格生成。
• 该方法避免了对Hessian恢复或精确误差估计的需求，表明全局误差信息（而非局部或方向精度）是实现成功各向异性自适应的关键。
• 对于非二次泛函（如图像处理中的示例4.3），HBEE-based方法保持了稳健性能，最大长宽比为4.7，优于各向同性自适应（2.7），且与Hessian恢复方法（3.5）相当。