[论文解读] Multiscale Empirical Interpolation for Solving Nonlinear PDEs using Generalized Multiscale Finite Element Methods

Victor M. Calo, Yalchin Efendiev+2 more|arXiv (Cornell University)|Jul 1, 2014

Advanced Mathematical Modeling in Engineering参考文献 16被引用 7

一句话总结

该论文提出了一种多尺度经验插值方法（多尺度 DEIM），将广义多尺度有限元方法（GMsFEM）与基于 Proper Orthogonal Decomposition（POD）的经验插值相结合，以高效求解非线性多尺度 PDE。通过将非线性函数求值划分为粗网格区域，并利用局部多尺度基函数进行降阶表示，该方法使计算成本与粗网格自由度成比例，实现了高达 96% 的仿真时间减少，同时保持高精度。

ABSTRACT

In this paper, we propose a multiscale empirical interpolation method for solving nonlinear multiscale partial differential equations. The proposed method combines empirical interpolation techniques and local multiscale methods, such as the Generalized Multiscale Finite Element Method (GMsFEM). To solve nonlinear equations, the GMsFEM is used to represent the solution on a coarse grid with multiscale basis functions computed offline. Computing the GMsFEM solution involves calculating the residuals on the fine grid. We use empirical interpolation concepts to evaluate the residuals and the Jacobians of the multiscale system with a computational cost which is proportional to the coarse scale problem rather than the fully-resolved fine scale one. Empirical interpolation methods use basis functions and an inexpensive inversion which are computed in the offline stage for finding the coefficients in the expansion based on a limited number of nonlinear function evaluations. The proposed multiscale empirical interpolation techniques: (1) divide computing the nonlinear function into coarse regions; (2) evaluate contributions of nonlinear functions in each coarse region taking advantage of a reduced-order representation of the solution; and (3) introduce multiscale proper-orthogonal-decomposition techniques to find appropriate interpolation vectors. We demonstrate the effectiveness of the proposed methods on several examples of nonlinear multiscale PDEs that are solved with Newton's methods and fully-implicit time marching schemes. Our numerical results show that the proposed methods provide a robust framework for solving nonlinear multiscale PDEs on a coarse grid with bounded error.

研究动机与目标

• 为解决在高对比度介质和多尺度条件下求解非线性多尺度 PDE 所带来的高计算成本问题。
• 降低基于 GMsFEM 仿真中牛顿迭代时非线性残差和雅可比矩阵的计算成本。
• 开发一种鲁棒的粗网格框架，在最小化细网格计算的同时保持高精度。
• 将经验插值与多尺度基函数相结合，利用局部谱问题和加权 POD 确定插值向量。
• 在不同非线性程度和渗透率场配置下验证该方法的鲁棒性。

提出的方法

• 该方法使用 GMsFEM 通过快照空间和局部谱问题在粗网格上构造局部多尺度基函数。
• 将非线性函数求值分解为粗网格区域，每个区域独立使用局部降阶表示。
• 在每个粗网格区域应用经验插值，插值基函数来自解快照的 Proper Orthogonal Decomposition（POD）。
• 通过引入多尺度基函数并确保在高对比度问题中收敛的改进谱问题计算插值向量。
• 将离散经验插值方法（DEIM）扩展至多尺度设置（多尺度 DEIM），实现在在线计算中对非线性项的高效评估，同时最小化细网格组装。
• 采用加权 POD 技术以提高收敛性和精度，尤其当使用标准 l2-内积 POD 时收敛速度较慢。

实验结果

研究问题

• RQ1 经验插值能否有效适应多尺度设置，以降低 GMsFEM 中非线性残差和雅可比矩阵的计算成本？
• RQ2 如何利用多尺度基函数在粗网格区域上构建非线性函数的局部降阶表示？
• RQ3 为确保在高对比度多尺度问题中经验插值向量的收敛性，需要对谱问题进行何种修改？
• RQ4 每个粗网格区域中 DEIM 点的数量如何影响解的精度和效率？
• RQ5 当非线性参数 μ 超出用于计算 DEIM 点的训练范围时，该方法是否仍保持鲁棒性？

主要发现

• 多尺度 DEIM 方法将仿真时间减少至全细网格模型的约 4%，实现了显著的计算节省。
• 每个区域仅使用三个 DEIM 点时，两种不同渗透率场配置下的相对能量误差分别为 4.96×10⁻² 和 1.05×10⁻²。
• 当 μ = 8.5（未包含在训练集中）时，该方法仍保持低误差，表明对非线性参数变化具有鲁棒性。
• 使用加权 POD 构建 DEIM 向量相比基于标准 l2-内积的 POD 显著提高了收敛性。
• 随着 DEIM 点数的增加，误差单调递减，证实了该方法的可靠性和可扩展性。
• 该方法在粗网格上实现了具有有界误差的精确解，验证了其在非线性多尺度 PDE 中的应用有效性。