[论文解读] Purely algebraic domain decomposition methods for the incompressible Navier-Stokes equations

Pawan Kumar|arXiv (Cornell University)|Apr 17, 2011

Advanced Numerical Methods in Computational Mathematics参考文献 17被引用 4

一句话总结

该论文提出了一种新颖的纯代数域分解方法，用于求解不可压缩Navier-Stokes方程，通过基于图的代数多层技术近似Schur补。该方法在高雷诺数（高达3000）下实现了鲁棒的收敛性，优于PCD和LSC预条件器，并在设置和应用阶段均实现了高并行性。

ABSTRACT

In the context of non overlapping domain decomposition methods, several algebraic approximations of the Dirichlet-to-Neumann (DtN) map are proposed in [F. X. Roux, et. al. Algebraic approximation of Dirichlet- to-Neumann maps for the equations of linear elasticity, Comput. Methods Appl. Mech. Engrg., 195, 2006, 3742-3759]. For the case of non overlapping domains, approximation to the DtN are analogous to the approximation of the Schur complements in the incomplete multilevel block factorization. In this work, several original and purely algebraic (based on graph of the matrix) domain decomposition techniques are investigated for steady state incompressible Navier-Stokes equation defined on uniform and stretched grid for low viscosity. Moreover, the methods proposed are highly parallel during both setup and application phase. Spectral and numerical analysis of the methods are also presented.

研究动机与目标

• 解决由不可压缩Navier-Stokes方程离散化产生的大型、稀疏、不定且非对称线性系统所面临的挑战。
• 克服现有预条件器（如PCD和LSC）在高雷诺数（>100）下性能下降的局限性。
• 开发一种完全基于代数的非重叠域分解方法，仅依赖于矩阵图结构，避免几何或网格相关假设。
• 在设置和应用阶段均确保高并行性，以适应现代多核和分布式计算架构。
• 通过谱分析和数值分析验证所提出预条件器的鲁棒性和效率。

提出的方法

• 基于稀疏矩阵的图结构，通过代数多层方法近似Dirichlet-to-Neumann（DtN）映射，构建代数域分解预条件器。
• 利用图分割定义非重叠子域，实现在无需几何信息情况下的子结构化。
• 通过代数多层方法近似Schur补，将矩阵视为图以定义粗粒度算子。
• 引入新型预条件器：MSCN、LUM、MSCE、OMSCN、OMSCNR、MPCD以及LSC变体，所有方法均基于Schur补的代数近似。
• 应用预条件GMRES求解所得线性系统，通过迭代次数和求解时间监控收敛性。
• 利用离散Navier-Stokes系统（2×2鞍点形式）的块结构，定义基于块的预条件策略。

实验结果

研究问题

• RQ1 基于矩阵图结构的纯代数域分解方法是否能在高雷诺数下为不可压缩Navier-Stokes方程提供鲁棒的预条件？
• RQ2 与经典的PCD和LSC预条件器相比，Schur补的代数近似在收敛性和可扩展性方面表现如何？
• RQ3 所提出的方法在设置和应用阶段在多大程度上能保持高并行性？
• RQ4 在边界层模拟中常见的拉伸网格上，该代数方法是否仍保持有效性？
• RQ5 所提出的方法是否能实现网格无关的收敛性，并在雷诺数增加时保持鲁棒性？

主要发现

• 所提出的代数预条件器（如OMSCN、OMSCNR）在雷诺数高达3000时实现了网格无关的收敛性，显著优于PCD和LSC方法。
• 在128个处理器上，Re = 3000的拉伸网格下，OMSCNR方法仅需119次GMRES迭代，求解时间为28.4秒，而LSC需1127次迭代和362.3秒。
• 在Re = 1000的漏液顶盖驱动腔问题中，OMSCNR在128个处理器上实现114次迭代和51.0秒求解时间，而MPCD需133次迭代和164秒。
• MSCN和OMSCN方法在所有测试案例中表现更优，其迭代次数和求解时间始终低于PCD和LSC。
• 这些方法表现出强大的并行可扩展性，设置和应用阶段均高度并行，适用于现代高性能计算环境。
• 谱分析表明，预条件系统特征值聚集在1附近且远离零，确保了Krylov子空间方法的快速收敛。