[论文解读] High-Order Symmetric Positive Interior Quadrature Rules on Two and Three Dimensional Domains
本论文在方形、立方体、棱柱和圆锥台域上使用带有变量参数化的 Levenberg–Marquardt 优化和对称性感知的节点消减/坍缩策略构建高阶全对称正内插(f-SPI)求积规则,达到方形77阶、立方体45阶、棱柱与圆锥台30阶,并具比先前规则更少的节点。
Fully symmetric positive interior (f-SPI) quadrature rules are key building blocks for high-order discretizations of partial differential equations, yet high-degree rules with few nodes remain scarce on reference elements commonly used in mesh generation. We construct new f-SPI rules on the square, cube, prism, and pyramid by coupling a variable parameterization that enforces positivity and interiority with an efficient Levenberg-Marquardt optimization and a symmetry-aware node-reduction strategy that eliminates and collapses orbits, allowing transitions between symmetry types. The resulting rules achieve degrees up to 77 on the square, 45 on the cube, and 30 on the prism and pyramid, and for most degrees use fewer nodes than previously published f-SPI quadrature rules. Verification tests demonstrate comparable accuracy to existing rules. Complete node and weight data are also provided.
研究动机与目标
- 为常见的二维和三维参考单元提供完全对称且权重为正的高阶 interior 积分规则以提高数值稳定性。
- 开发一个结合变量参数化、Levenberg–Marquardt 优化和对称性感知的节点约简的实用框架,以尽量少的节点产生高阶规则。
- 提供可直接用于高阶偏微分方程离散化的完整节点和权重数据。
- 在平方、立方、棱柱和圆锥台单元上扩展前人工作,提升节点利用率。
提出的方法
- 将阶 q 的求积问题表述为关于正交多项式基的矩残量的受约束最小化,以获得良好条件的 Vandermonde 矩阵。
- 使用两种参数化策略以实现 interiority 和正性:基于笛卡尔投影的处理以及指数参数化,在需要时混合回退到笛卡尔参数。
- 应用 Levenberg–Marquardt 优化在保持对称性约束和正性的同时调整节点位置和权重。
- 通过对每个域(方形、立方、棱柱、圆锥台)进行张量积分解来构建初始求积规则,并在需要时增加中心节点。
- 执行对称性感知的轨道消除与轨道坍缩以减少节点数量,优先考虑对称性并使用给定的坍缩阈值在对称类别之间移动节点。
实验结果
研究问题
- RQ1我们是否可以在平方、立方体、棱柱和圆锥台参考单元上构建高阶的 f-SPI 求积规则,并且使用的节点数量少于现有规则?
- RQ2将变量参数化结合 Levenberg–Marquardt 优化和对称性感知的节点约简,是否能产出具有实际可用性且质量较高的求积规则,且有验证的准确性?
- RQ3所得到的规则是否展现出与现有规则相当甚至更好的收敛性和精度,并且能否打包为可直接用于高阶 PDE 离散化的完整节点/权重数据?
主要发现
- 获得了高阶 f-SPI 求积规则:方形最高 77 阶、立方体 45 阶、棱柱和圆锥台 30 阶。
- 在大多数阶数下,新规则使用的节点数少于在同一域上先前发布的 f-SPI 规则。
- 收敛性测试与振荡函数积分显示精度可与现有规则相比,数值实验证实了预期的收敛行为。
- 两种圆锥台初始设定(代数与几何)再加上轨道消除/坍缩使得节点显著比以 Duffy 为基础的方法更少,尤其在较高阶时更明显。
- 提供了所有获得规则的完整节点和权重数据,便于在高阶 PDE 离散化中直接使用。
更好的研究,从现在开始
从论文设计到论文写作,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。