[论文解读] New Variational Method of Grid Generation with Prescribed Jacobian Determinant and Prescribed Curl

Xi Chen, Guojun Liao|arXiv (Cornell University)|Jul 14, 2015

Advanced Numerical Analysis Techniques参考文献 4被引用 10

一句话总结

本文提出了一种新颖的变分方法，通过规定变换的雅可比行列式和旋度，生成自适应计算网格。通过在能量泛函上使用梯度下降法，最小化目标雅可比行列式与旋度的偏差，该方法在网格重建中实现了高精度，数值实验表明在各种条件下能够近乎完美地恢复已知变换。

ABSTRACT

Adaptive grid generation is an active research topic for numer- ical solution of differential equations. In this paper, we propose a variational method which generates transformations with prescribed Jacobian determinant and curl. Then we use this transformation to achieve adaptive grid generation task, and show the importance of curl in a transformation.

研究动机与目标

• 开发一种变分方法，生成具有预设雅可比行列式与旋度的网格变换，以实现自适应网格生成。
• 确保该方法在固定边界与移动边界条件下均具备数学严谨性与数值稳定性。
• 通过泊松方程与变分法提供清晰的物理解释与简便的实现方式。
• 通过已知变换在不同边界约束下的数值实验，验证该方法的精度。

提出的方法

• 该方法最小化能量泛函 $ ssd = \frac{1}{2}\iint_{\Omega}[(J(\mathbf{T})-f_0)^2 + \alpha(\text{curl}(\mathbf{T})-g_0)^2]dA $，其中 $ f_0 $ 与 $ g_0 $ 分别为雅可比行列式与旋度的预设监测函数。
• 变换 $ \mathbf{T} = \mathbf{x} + \mathbf{u} $ 由泊松方程 $ \Delta\mathbf{u} = \mathbf{f} $ 控制，边界条件为 $ \partial\Omega $ 上的狄利克雷条件。
• 利用变分法与散度定理，推导出能量泛函关于控制函数 $ \mathbf{f} $ 的梯度，得到涉及向量场 $ \mathbf{a}_1 $ 与 $ \mathbf{a}_2 $ 的方程组。
• 通过迭代应用梯度下降法更新 $ \mathbf{f} $，并在每一步通过泊松方程求解 $ \mathbf{u} $。
• 通过首先应用边界匹配变换，将移动边界节点的情形简化为固定边界情形。
• 该方法已扩展至三维区域，但此部分留待未来工作。

实验结果

研究问题

• RQ1 能否构建一种变分方法，同时控制网格变换的雅可比行列式与旋度？
• RQ2 在位移场的狄利克雷边界条件固定时，误差泛函的梯度如何推导？
• RQ3 同时引入雅可比行列式与旋度约束在多大程度上提升了网格质量与重建精度？
• RQ4 该方法在移动边界条件下的表现如何？能否简化为固定边界情形？
• RQ5 该方法在恢复具有预设几何特性的已知变换时，其收敛行为与精度如何？

主要发现

• 在固定边界节点条件下，当同时规定雅可比行列式与旋度时，该方法在 $ \alpha = 1 $ 时实现了重建网格点与目标网格点之间平均距离为 0.0177。
• 当同时使用两种约束时，最大角度差降至 15.7230 度，而仅规定雅可比行列式时为 25.8343 度。
• 当 $ \alpha = 10 $ 时，方法仍保持较低的平均距离（0.0203）与平均角度差（1.9603），表明对参数选择具有鲁棒性。
• 在移动边界节点条件下，该方法将平均距离降低至 0.0204，平均角度差降低至 1.2934，表明在复杂情形下依然有效。
• 在固定边界条件下，$ ssd $ 值从仅规定雅可比行列式的 4.8134 降低至同时规定旋度的 0.6377，表明误差最小化有显著改善。
• 该方法在多次实验中成功恢复了已知变换，证实其在网格生成任务中具备可靠性与高精度。