[论文解读] Randomized Oversampling for Generalized Multiscale Finite Element Methods

Victor M. Calo, Yalchin Efendiev+2 more|arXiv (Cornell University)|Sep 24, 2014

Advanced Mathematical Modeling in Engineering参考文献 14被引用 11

一句话总结

本文提出一种针对广义多尺度有限元方法（GMsFEM）的随机抽样技术，以大幅降低多尺度流动模拟中的离线计算成本。通过在抽样扩展区域上使用随机边界条件生成快照向量，该方法仅需少量快照（通常3个基函数对应4–7个快照）即可实现与完整快照空间相当的精度，同时通过抽样扩展和局部谱分解保持了稳定性与收敛性。

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.

研究动机与目标

• 降低在非均质介质流动中构建GMsFEM快照空间的高计算成本。
• 开发一种比完整快照构建更高效的替代方法，后者需为所有可能的边界条件求解局部问题。
• 在最小化快照向量数量的同时，保持多尺度离散化中的精度与收敛性。
• 通过基于随机快照和误差指标的自适应丰富化方法，实现多尺度空间的自适应增强。
• 为所提出的随机抽样扩展框架提供理论收敛性分析与数值验证。

提出的方法

• 在大于目标粗网格单元的抽样扩展区域上，通过随机边界条件求解局部问题以构建快照向量。
• 在每个粗网格区域内对受限快照空间执行局部谱分解，以提取多尺度基函数。
• 利用抽样扩展技术抑制边界振荡，并提升GMsFEM离散化的收敛速率。
• 利用随机SVD原理，确保仅用少量快照向量即可捕获主导模态。
• 通过基于误差指标的局部基函数添加实现自适应丰富化，采用随机快照框架。
• 理论分析将误差界与最小被排除特征值及局部问题的条件数联系起来。

实验结果

研究问题

• RQ1 在抽样扩展区域上使用随机边界条件，能否以最小精度损失有效替代GMsFEM中的完整快照构建？
• RQ2 在多尺度问题中，需要多少随机快照才能捕获解空间的主导模态？
• RQ3 在使用随机快照时，抽样扩展对稳定性与收敛性有何影响？
• RQ4 所提出方法能否支持多尺度空间的高效自适应丰富化？
• RQ5 GMsFEM近似中的误差如何随随机快照数量与特征值间隙的变化而变化？

主要发现

• 仅使用7个随机快照向量（对应3个基函数）即可实现与使用所有可能快照向量相当的精度。
• 该方法显著降低了离线设置成本，因为它避免了为每种可能的边界条件求解局部问题。
• 采用随机边界条件的抽样扩展可防止虚假边界振荡，并提升收敛性。
• 理论误差界表明收敛性与$1/\Lambda_*$成正比，其中$\Lambda_*$为各粗网格区域内最小被排除特征值。
• 数值结果证实，随机方法在降低计算成本的同时，其精度与完整快照方法相当。
• 基于随机快照的自适应丰富化是可行且鲁棒的，误差指标可有效指导局部基函数的增强。