[论文解读] Sparse Generalized Multiscale Finite Element Methods and their applications

Eric T. Chung, Yalchin Efendiev+2 more|arXiv (Cornell University)|Jun 29, 2015

Advanced Mathematical Modeling in Engineering参考文献 47被引用 4

一句话总结

本文提出了两种稀疏广义多尺度有限元方法（GMsFEM）方法，通过利用快照空间中的稀疏性来降低多尺度模拟中的计算成本。第一种方法采用 l₁ 最小化来识别参数依赖问题的稀疏多尺度基函数；第二种方法则直接对亥姆霍兹方程应用 l₁ 最小化。关键结果表明，即使在 4.25% 的 L² 误差下，也能实现高稀疏性（例如，仅有 1,958 个非零系数），从而实现刚度矩阵的快速计算和高效的降尺度处理。

ABSTRACT

In a number of previous papers, local (coarse grid) multiscale model reduction techniques are developed using a Generalized Multiscale Finite Element Method. In these approaches, multiscale basis functions are constructed using local snapshot spaces, where a snapshot space is a large space that represents the solution behavior in a coarse block. In a number of applications (e.g., those discussed in the paper), one may have a sparsity in the snapshot space for an appropriate choice of a snapshot space. More precisely, the solution may only involve a portion of the snapshot space. In this case, one can use sparsity techniques to identify multiscale basis functions. In this paper, we consider two such sparse local multiscale model reduction approaches. In the first approach (which is used for parameter-dependent multiscale PDEs), we use local minimization techniques, such as sparse POD, to identify multiscale basis functions, which are sparse in the snapshot space. These minimization techniques use $l_1$ minimization to find local multiscale basis functions, which are further used for finding the solution. In the second approach (which is used for the Helmholtz equation), we directly apply $l_1$ minimization techniques to solve the underlying PDEs. This approach is more expensive as it involves a large snapshot space; however, in this example, we can not identify a local minimization principle, such as local generalized SVD.

研究动机与目标

• 开发高效的多尺度模型降阶技术，利用快照空间中的稀疏性，解决高对比度和复杂多尺度问题。
• 通过使用 l₁ 最小化而非完整的快照空间，识别稀疏的多尺度基函数，降低 GMsFEM 的计算成本。
• 通过确保降阶表示在局部快照向量中为稀疏，实现快速求解和高效降尺度。
• 研究是否可以系统性地利用快照空间中的稀疏性，以适用于参数依赖问题和亥姆霍兹方程。
• 通过数值实验验证在稀疏性假设下的计算节省与收敛性。

提出的方法

• 通过使用不同边界条件或右端项的局部 PDE 解构建局部快照空间，形成对局部解行为的大规模表示。
• 应用 l₁ 最小化技术（如稀疏 POD）识别快照空间中占主导地位的稀疏模式集合，形成离线多尺度基函数。
• 对于参数依赖问题，通过局部最小化选择在快照空间中稀疏的基函数，从而减少在线和离线自由度。
• 对于亥姆霍兹方程，直接在大快照空间中对全局问题应用 l₁ 最小化，绕过传统的基函数选择过程。
• 通过在线基函数的自适应丰富化和基于残差的误差指标，提升高误差区域的精度。
• 采用超采样和精心选择的边界条件，确保快照空间能够捕捉关键解特征，同时保持稀疏性。

实验结果

研究问题

• RQ1 是否能够利用快照空间中的稀疏性，显著降低 GMsFEM 中多尺度基函数的维度？
• RQ2 l₁ 最小化是否能有效且高效地识别参数依赖问题中局部快照空间内的主导多尺度模式？
• RQ3 尽管计算成本较高，直接在完整快照空间上应用 l₁ 最小化是否能为亥姆霍兹方程提供准确且稀疏的解？
• RQ4 测试空间维数与解的稀疏性之间存在何种关系？这对精度和效率有何影响？
• RQ5 在何种条件下可构建快照空间，使得真实解在其中为稀疏？此类空间应如何设计？

主要发现

• 所提出的稀疏 GMsFEM 在解表示中实现了高稀疏性，数值结果表明在 4.25% 的 L² 误差下，快照空间中最多仅有 1,958 个非零系数。
• 对于亥姆霍兹问题，随着测试空间维数的增加，误差逐渐减小，当使用 2,560 个测试基函数时，达到 4.25% 的 L² 误差。
• 由于降阶解在快照空间中具有稀疏表示，刚度矩阵可更高效地计算。
• 由于多尺度基函数在局部快照向量中为稀疏，解可高效地降采样至细网格。
• 该方法保持了良好的收敛速率，L² 误差从测试空间维数为 512 时的 79.12% 降低至 2,560 时的 4.25%。
• 稀疏性假设至关重要，其有效性取决于快照空间的构建方式；例如，特定边界条件或超采样可促进稀疏性。