[论文解读] Localized model reduction for parameterized problems

Andreas Buhr, Laura Iapichino+4 more|arXiv (Cornell University)|Feb 21, 2019

Advanced Mathematical Modeling in Engineering被引用 5

一句话总结

本文通过在子域上构建局部降维空间并采用兼容或非兼容方法进行耦合，提出了一种用于参数化偏微分方程的局部化模型降阶方法。该方法通过传递特征值问题构造最优局部逼近空间，采用随机采样进行离线训练，结合自适应增强与后验误差估计，实现了多尺度、弹性力学及流体流动问题的高效在线计算，显著降低了计算成本与存储需求。

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+.

研究动机与目标

• 解决标准模型降阶方法在大规模、多尺度及参数化PDE中面临的维度灾难与高昂离线计算成本问题。
• 通过实现在线阶段的局部自适应性与几何/拓扑灵活性，克服全局降基方法的局限性。
• 构建一种构造最优局部降维空间的框架，确保其高精度与计算高效性。
• 通过局部化、非兼容与兼容耦合策略实现在线高效计算，并结合严格的后验误差估计。
• 集成自适应基函数增强与随机采样技术，在保持精度的同时降低离线训练成本。

提出的方法

• 通过在子域上求解局部传递特征值问题，构建最优局部降维空间，以最小化Kolmogorov n-宽度。
• 采用随机采样近似最优局部空间，以降低离线训练的复杂度。
• 利用兼容（如静态 condensation、ArbiLoMod）或非兼容（如罚函数法、DG）耦合技术连接局部降维空间。
• 推导可局部化且可在在线阶段计算的后验误差估计器，用于指导局部降维空间的自适应增强。
• 集成经验插值方法（EIM）以高效处理非仿射参数依赖性，实现在非线性与非仿射问题中的在线高效性。
• 通过选择仅依赖于插值函数数量而非完整有限元维度的局部字典（如有限元基函数），确保在线计算的高效性。

实验结果

研究问题

• RQ1 如何为参数化椭圆型PDE的子域构造最优局部降维空间？
• RQ2 随机采样对局部离线训练的精度与效率有何影响？
• RQ3 如何设计兼容与非兼容耦合策略，以确保全局近似中的稳定性与准确性？
• RQ4 后验误差估计器能否实现局部化，从而指导局部降维空间的自适应增强？
• RQ5 在局部化模型降阶中，如何高效处理非仿射与非线性参数依赖性？

主要发现

• 通过求解局部传递特征值问题构建最优局部降维空间，可最小化Kolmogorov n-宽度，确保高逼近精度。
• 随机采样可可靠且高效地近似最优局部空间，显著降低离线训练成本。
• 推导出可局部化且可在在线阶段计算的后验误差估计器，支持局部降维空间的自适应增强。
• 通过使用计算复杂度低的局部字典评估参数化算子，实现在线高效性与存储减少。
• 数值实验表明，该方法在多尺度、线弹性力学与流体流动问题中均表现出高精度与显著降低的计算成本。
• 基于误差估计器的自适应增强策略在最优控制与蒙特卡洛方法等外循环应用中实现了最优计算复杂度。