[论文解读] On overlapping domain decomposition methods for high-contrast multiscale problems

Juan Galvis, Eric T. Chung+2 more|arXiv (Cornell University)|May 25, 2017

Advanced Mathematical Modeling in Engineering参考文献 5被引用 5

一句话总结

本文提出了一种新颖的重叠域分解方法，用于高对比度多尺度问题，通过从局部特征值问题中提取的极小维数粗空间，实现条件数与对比度和网格尺寸无关。通过将这些谱粗空间与大重叠局部子域问题结合，该方法将迭代次数减少至接近1，使条件数接近1，尤其在粗网格较小时效果显著。

ABSTRACT

We review some important ideas in the design and analysis of robust overlapping domain decomposition algorithms for high-contrast multiscale problems and propose a domain decomposition method better performance in terms of the number of iterations. The main novelty of our approaches is the construction of coarse spaces, which are computed using spectral information of local bilinear forms. We present several approaches to incorporate the spectral information into the coarse problem in order to obtain minimal coarse space dimension. We show that using these coarse spaces, we can obtain a domain decomposition preconditioner with the condition number independent of contrast and small scales. To minimize further the number of iterations until convergence, we use this minimal dimensional coarse spaces in a construction combining them with large overlap local problems that take advantage of the possibility of localizing global fields orthogonal to the coarse space. We obtain a condition number close to 1 for the new method. We discuss possible drawbacks and further extensions.

研究动机与目标

• 开发一种针对高对比度多尺度问题的鲁棒重叠域分解预条件子，其中经典方法因大对比度比而遭受病态条件影响。
• 在保持鲁棒性的同时，最小化粗空间的维数，利用局部双线性形式的谱信息。
• 通过将极小维数粗空间与大重叠局部子域问题结合，减少迭代求解器的迭代次数。
• 通过直接算子范数估计，避免依赖稳定分解，实现预条件系统条件数接近1，且与对比度和空间尺度无关。

提出的方法

• 通过局部双线性形式的谱分解构造极小维数粗空间（MDCS），以捕捉非可局域化的多尺度特征（如高导电通道）。
• 采用重叠加性Schwarz框架，其中粗空间通过从子域上的局部特征值问题中提取的谱基函数进行增强。
• 提出一种混合预条件子，将MDCS与过采样局部求解结合，其中过采样区域跨越多个粗网格块，以实现对粗空间正交的全局场的局域化。
• 使用较大的重叠尺寸（例如，k ≥ 5层）以实现残差误差分量的局域化，显著降低条件数。
• 通过直接算子范数估计，推导出预条件系统条件数的理论界，避免对稳定分解的依赖。
• 将该方法应用于具有高对比度渗透率场的Darcy流方程，采用在细网格和粗网格上的有限元离散化。

实验结果

研究问题

• RQ1 能否通过局部谱问题导出的极小维数粗空间，在高对比度问题的重叠域分解方法中实现与对比度无关的条件数？
• RQ2 在使用谱粗空间时，增大重叠尺寸如何影响条件数和迭代次数？
• RQ3 MDCS与大重叠结合是否能实现剩余误差分量的局域化，从而达到接近1的条件数？
• RQ4 粗网格尺寸对所提方法效率的影响如何，特别是对粗网格求解成本和迭代次数的影响？
• RQ5 所提方法是否能在避免稳定分解需求的同时，仍实现鲁棒的收敛性？

主要发现

• 当使用足够大的过采样时，所提方法使预条件系统的条件数接近1，显著优于标准方法的收敛性能。
• 当粗网格尺寸 H = 1/20 且细网格尺寸 h = 1/200 时，使用6层过采样（k = 6）时PCG迭代次数降至1次，而标准重叠与MDCS单独使用时为19次。
• 对于固定过采样尺寸（k = 3），在对比度比 η = 10³、10⁴ 和 10⁵ 下，迭代次数均保持恒定在3次，表明具有对比度无关性。
• 通过利用大重叠，即使每个子域仅使用3个基函数，也可将迭代次数从约19次（标准MDCS配合小重叠）减少至3次。
• 理论上的条件数界依赖于谱间隙 Λ 和过采样尺寸，当 Λ 不接近零且过采样足够大时，该界趋近于1。
• 该方法在粗网格尺寸较小时最为有效，此时过采样区域计算负担可控，且粗网格求解不会过于昂贵。