[论文解读] Goal-oriented error estimation for reduced basis method, with application to certified sensitivity analysis

Alexandre Janon, Maëlle Nodet+1 more|arXiv (Cornell University)|Jul 28, 2012

Model Reduction and Neural Networks被引用 5

一句话总结

本文提出了一种针对参数化PDE问题中感兴趣的量的降维方法的新型、可高效计算的误差界。通过在现有方法的基础上提高误差估计的准确性，该方法在计算成本更低的前提下实现了更可靠的认证敏感性分析。

ABSTRACT

The reduced basis method is a powerful model reduction technique designed to speed up the computation of multiple numerical solutions of parameterized partial differential equations (PDEs). We consider a quantity of interest, which is a linear functional of the parameterized PDE solution. Compared to the original quantity of interest, the quantity of interest computed using the reduced model is tainted by a reduction error. We present a new, efficiently and explicitly computable bound for this error, and we show on different examples that this error bound is more precise than existing ones. We also present an application of our work to certified sensitivity analysis studies.

研究动机与目标

• 开发一种更准确且计算效率更高的降维误差界，用于降基方法。
• 为作为PDE解的线性泛函的感兴趣量提供可靠的误差估计。
• 通过提供对降维模型输出的严格误差界，支持认证敏感性分析。
• 在紧致性和计算效率方面优于现有的误差估计技术。

提出的方法

• 提出一种显式可计算且计算高效的新型误差界公式。
• 采用基于对偶的技术，推导出由于模型降维导致的感兴趣量误差的界。
• 将该界应用于参数化PDE的线性泛函输出，确保其计算上可处理。
• 采用认证的离线-在线计算分解，以实现在在线阶段的快速评估。
• 通过基准PDE问题的数值实验验证该界的有效性。

实验结果

研究问题

• RQ1 我们如何推导出一种更准确且可高效计算的降基方法误差界？
• RQ2 所提出的误差界能否提升降阶模型中敏感性分析的可靠性？
• RQ3 与现有误差估计技术相比，新界在紧致性和计算成本方面表现如何？
• RQ4 新界对参数化PDE降维模型输出的认证有何影响？

主要发现

• 在数值实验中，所提出的误差界比现有界更精确，表现出更高的紧致性。
• 该界可高效计算，适用于在线计算，支持实时应用的实际使用。
• 该方法通过为降维模型输出提供严格的误差控制，支持认证敏感性分析。
• 该方法在显著提升线性泛函输出误差估计精度的同时，保持了计算效率。