[论文解读] Primal-Dual Weak Galerkin Finite Element Methods for Elliptic Cauchy Problems

Chunmei Wang, Junping Wang|arXiv (Cornell University)|Jun 5, 2018

Numerical methods in engineering参考文献 31被引用 5

一句话总结

本文提出了一种原始-对偶弱伽辽金有限元方法，通过结合约束最小化与弱伽辽金有限元公式，求解病态椭圆柯西问题。该方法得到一个对称且适定的系统，其精确解满足该系统，原始变量在离散 $H^2$ 范数下达到最优收敛率 $O(h)$，在 $L^2$、$L^1$ 和 $L^∞$ 范数下达到 $O(h^2)$，并通过模型问题的数值实验得到验证。

ABSTRACT

The authors propose and analyze a well-posed numerical scheme for a type of ill-posed elliptic Cauchy problem by using a constrained minimization approach combined with the weak Galerkin finite element method. The resulting Euler-Lagrange formulation yields a system of equations involving the original equation for the primal variable and its adjoint for the dual variable, and is thus an example of the primal-dual weak Galerkin finite element method. This new primal-dual weak Galerkin algorithm is consistent in the sense that the system is symmetric, well-posed, and is satisfied by the exact solution. A certain stability and error estimates were derived in discrete Sobolev norms, including one in a weak $L^2$ topology. Some numerical results are reported to illustrate and validate the theory developed in the paper.

研究动机与目标

• 开发一种针对缺乏对数据连续依赖性的病态椭圆柯西问题的稳定且适定的数值格式。
• 通过约束最小化方法解决椭圆PDE在缺失边界条件下求解的挑战。
• 通过弱伽辽金框架，为原始变量和对偶变量构建一个对称、一致且稳定的有限元方法。
• 在离散索伯列夫范数下，包括弱 $L^2$ 拓扑，推导出严格的误差估计，以验证方法的收敛性。
• 通过包含精确和扰动边界数据的数值实验，展示该方法的性能。

提出的方法

• 该方法采用约束最小化公式，将原始变量（解）与对偶变量（伴随）耦合，从而得到一个对称方程组。
• 应用弱伽辽金有限元方法对原始和对偶方程的弱形式进行离散化，使用弱梯度和弱函数。
• 由约束最小化导出的欧拉-拉格朗日方程形成一个混合系统，包含原PDE及其伴随方程，构成原始-对偶弱伽辽金公式。
• 通过数值通量和拉格朗日乘子弱式地施加边界条件，增强稳定性和灵活性。
• 使用离散索伯列夫范数推导误差估计，包括弱 $L^2$ 拓扑中的一种，确保稳健的收敛性分析。
• 在三角形或四边形网格上使用分片多项式实现数值格式，通过网格细化验证收敛率。

实验结果

研究问题

• RQ1 能否构造一种原始-对偶弱伽辽金有限元方法，通过约束最小化稳定病态椭圆柯西问题？
• RQ2 所得系统是否保持对称性、适定性，并与精确解一致？
• RQ3 该方法在各种离散范数（包括 $H^2$、$L^2$、$L^1$ 和 $L^∞$）下的最优收敛率是多少？
• RQ4 在存在噪声边界数据时，该方法表现如何，其对数据扰动的敏感性如何？
• RQ5 该方法在实际中是否可能实现高于理论预测的收敛率，如数值结果所示？

主要发现

• 原始-对偶弱伽辽金有限元方法产生一个对称且适定的系统，其精确解满足该系统，确保了一致性。
• 在离散 $H^2$ 范数下，解 $u$ 观测到 $O(h)$ 的最优收敛阶。
• 近似 $u_0$ 在 $L^2$、$L^1$ 和 $L^∞$ 范数下以 $O(h^2)$ 收敛，所有测试案例中的数值收敛阶均接近 2。
• 对偶变量 $u_n$ 在离散 $H^1$ 和 $W^{1,1}$ 范数下以 $O(h^2)$ 收敛，与理论预期一致。
• 数值实验表明，该方法的实际表现优于理论预测，多个范数下的收敛阶均紧密匹配 $O(h^2)$。
• 该格式对边界数据中的小随机扰动（例如 $0.005*(0.5-Rand)$）高度敏感，表明在噪声环境下仍需进一步正则化。