[论文解读] Adaptive guaranteed lower eigenvalue bounds with optimal convergence rates

Carsten Carstensen, Sophie Puttkammer|arXiv (Cornell University)|Mar 2, 2022

Advanced Numerical Methods in Computational Mathematics被引用 1

一句话总结

本文提出了一种自适应有限元方法，用于在三维中计算拉普拉斯算子和双调和算子的狄利克雷特征值的保证下界，采用额外稳定的非协调Crouzeix-Raviart或Morley有限元格式。关键贡献是通过广义中位分析和一种新的离散可靠性估计，严格证明了自适应算法的最优收敛速率，确保误差估计器以给定的网格加密策略达到最佳可能的收敛速度。

ABSTRACT

Guaranteed lower Dirichlet eigenvalue bounds (GLB) can be computed for the $m$-th Laplace operator with a recently introduced extra-stabilized nonconforming Crouzeix-Raviart ($m=1$) or Morley ($m=2$) finite element eigensolver. Striking numerical evidence for the superiority of a new adaptive eigensolver motivates the convergence analysis in this paper with a proof of optimal convergence rates of the GLB towards a simple eigenvalue. The proof is based on (a generalization of) known abstract arguments entitled as the axioms of adaptivity. Beyond the known a priori convergence rates, a medius analysis is enfolded in this paper for the proof of best-approximation results. This and subordinated $L^2$ error estimates for locally refined triangulations appear of independent interest. The analysis of optimal convergence rates of an adaptive mesh-refining algorithm is performed in $3$D and highlights a new version of discrete reliability.

研究动机与目标

• 建立一种自适应有限元方法的最优收敛速率，该方法用于计算拉普拉斯算子和双调和算子特征值的保证下界。
• 解决目前缺乏对同时提供保证下界和高效网格加密的自适应特征值求解器的收敛速率分析的问题。
• 基于自适应的公理和中位分析，建立一个理论框架，以证明所提出的自适应算法的最优收敛性。
• 将离散可靠性和最佳逼近结果扩展至具有稳定化的非协调有限元方法，特别是针对局部加密的三角剖分。

提出的方法

• 使用额外稳定的非协调有限元格式（m=1时为Crouzeix-Raviart，m=2时为Morley）直接计算具有显式网格尺寸依赖关系的保证特征值下界（GLB）。
• 采用残差型误差估计器，其局部贡献包含跨单元面的m阶导数跳跃项和单元体积项。
• 采用最新顶点二等分（NVB）进行网格加密，并使用带有批量参数θ的D"orfler标记策略，以确保最优收敛。
• 通过广义中位分析推导出局部加密三角剖分下的最佳逼近结果和L2误差估计。
• 在初始网格尺寸满足小量假设的条件下，通过验证自适应公理（包括离散可靠性和拟正交性），证明了最优收敛速率。
• 提出一种针对稳定化非协调格式的新型离散可靠性估计，这对收敛性证明至关重要。

实验结果

研究问题

• RQ1 自适应有限元方法结合额外稳定的非协调有限元法是否能在三维中实现保证特征值下界的最优收敛速率？
• RQ2 中位分析在局部加密三角剖分背景下如何促进最佳逼近结果和L2误差估计的推导？
• RQ3 为确保自适应算法的最优收敛速率，对初始网格尺寸和标记参数θ有何要求？
• RQ4 新的离散可靠性估计与经典版本有何不同，为何对收敛性证明至关重要？
• RQ5 稳定化参数κm在确保自适应方案的稳定性和收敛性方面起什么作用？

主要发现

• 自适应算法在误差估计器上实现了最优收敛速率，意味着其收敛速度与给定自由度数下的最佳可能逼近速度一致。
• 在初始网格尺寸hmax ≤ ε的条件下，证明了最优收敛性，其中ε依赖于问题参数和特征值间隙。
• 对任意s > 0，收敛速率均为最优，且估计器满足 supℓ (1 + |Tℓ| - |T0|)^s ηℓ ≲ sup_N (1 + N)^s min_{T: |T| ≤ |T0| + N} η(T)，从而确认了速率最优性。
• 为稳定化非协调格式推导出一种新的离散可靠性估计，这对证明自适应循环的收敛性至关重要。
• 中位分析导出了具有独立意义的最佳逼近结果和L2误差估计，其意义不仅限于主收敛性证明。
• 理论框架对修改具有鲁棒性，例如用更精细的初始网格替代原网格时，仍保持渐近最优性及标记参数θ的选择。