[论文解读] Five lectures on DPG methods

Jay Gopalakrishnan|arXiv (Cornell University)|Jun 3, 2013

Advanced Numerical Methods in Computational MathematicsEngineering参考文献 9被引用 20

一句话总结

本文引入了不连续Galerkin（DPG）方法，作为一种稳定的、类似最小二乘法的Galerkin方法，其最优测试函数通过非标准范数下的Riesz表示导出。证明了当使用最优测试空间时，离散inf-sup条件得以保持，从而确保了拟最优收敛性和鲁棒性，并通过椭圆问题的自适应加密和数值实验展示了该方法的有效性。

ABSTRACT

This is a set of lecture notes introducing graduate students to the topic of Discontinuous Petrov-Galerkin (DPG) methods.

研究动机与目标

• 系统介绍不连续Galerkin（DPG）方法，作为一种稳定的不连续Galerkin方法类别。
• 基于从试函数到测试函数的算子，建立DPG方法的理论基础。
• 证明当使用最优测试空间时，离散inf-sup条件得以保持，从而确保问题的适定性和收敛性。
• 通过自适应有限元方法和误差估计，展示DPG方法的实际应用价值。
• 在FEniCS中实现理论稳定性与计算实现之间的桥梁。

提出的方法

• 通过 $ (Tz, y)_Y = b(z, y) $ 定义试函数到测试函数的算子 $ T: X \to Y $，对所有 $ y \in Y $ 成立，以确保最优测试函数。
• 构造最优测试空间 $ Y_h^{\text{opt}} = T(X_h) $，其中 $ X_h $ 为试函数空间。
• 证明当使用 $ Y_h^{\text{opt}} $ 时，离散inf-sup条件成立，且常数 $ C_3 = C_1 $，前提是连续inf-sup条件成立。
• 应用定理2建立拟最优收敛性：$ \|x - x_h\|_X \leq \frac{C_2}{C_1} \inf_{z_h \in X_h} \|x - z_h\|_X $。
• 在FEniCS中实现DPG方法求解Poisson方程，并使用基于残差的误差估计器进行自适应网格加密。
• 采用基于误差指标的标记策略，对误差分布中上半部分的单元进行加密，以推动解在层状区域的收敛。

实验结果

研究问题

• RQ1 能否通过选择适当的测试空间，确保任意有限维试函数空间的离散inf-sup条件成立？
• RQ2 通过Riesz表示导出的最优测试函数是否能在离散设置中保持连续问题的稳定性？
• RQ3 DPG方法是否能在不进行一阶系统重构的情况下实现拟最优收敛率？
• RQ4 如何为自适应DPG方法构建可靠且高效的误差估计器？
• RQ5 由DPG误差估计器引导的自适应加密能否有效解析解中的尖锐层，例如在奇点附近的区域？

主要发现

• 当测试空间选择为最优测试空间 $ Y_h^{\text{opt}} $ 时，离散inf-sup条件（4）以 $ C_3 = C_1 $ 成立，确保了离散问题的适定性。
• 使用 $ Y_h^{\text{opt}} $ 的理想DPG方法实现了拟最优收敛，其误差界为 $ \|x - x_h\|_X \leq \frac{C_2}{C_1} \inf_{z_h \in X_h} \|x - z_h\|_X $，其中 $ C_1 $ 和 $ C_2 $ 分别为连续inf-sup常数和连续性常数。
• 最优测试函数 $ Tz $ 最大化比值 $ \frac{|b(z,y)|}{\|y\|_Y} $，在希尔伯特空间设定下证实了其最优性。
• 采用残差误差估计器的自适应DPG方法成功解析了Poisson问题中源项高度局域化时解在原点附近的尖锐层。
• 在FEniCS中实现的DPG方法与自适应算法再现了预期的收敛行为，并能自动对高误差区域进行加密。
• 该方法在无需一阶系统重构的情况下表现出鲁棒性和稳定性，如原形式DPG公式所示。