[论文解读] Recovery Techniques for Finite Element Methods

Hailong Guo, Zhimin Zhang|arXiv (Cornell University)|Dec 5, 2024

Advanced Surface Polishing Techniques被引用 8

一句话总结

本文综述有限元解的梯度和Hessian恢复方法（特别是多项式保持恢复）以及两种超收敛分析框架，并展示它们在各种PDE的渐近精确的事后误差估计中的应用。

ABSTRACT

Post-processing techniques are essential tools for enhancing the accuracy of finite element approximations and achieving superconvergence. Among these, recovery techniques stand out as vital methods, playing significant roles in both post-processing and pre-processing. This paper provides an overview of recent developments in recovery techniques and their applications in adaptive computations. The discussion encompasses both gradient recovery and Hessian recovery methods. To establish the superconvergence properties of these techniques, two theoretical frameworks are introduced. Applications of these methods are demonstrated in constructing asymptotically exact {\it a posteriori} error estimators for second-order elliptic equations, fourth-order elliptic equations, and interface problems. Numerical experiments are performed to evaluate the asymptotic exactness of recovery type a posteriori error estimators.

研究动机与目标

• 推动有限元方法中自适应计算和可靠误差估计。
• 描述并分析提升精度、实现超收敛的恢复技术（梯度和Hessian）。
• 引入两个理论框架，在轻微结构和平移不变网格上建立超收敛性质。
• 将其应用于对二阶和四阶椭圆方程及界面问题的渐近精确事后误差估计。
• 提供数值实验，说明恢复型估计量的性能。

提出的方法

• 描述 polynomial preserving recovery (PPR) 及其梯度恢复算子 G_h。
• 通过对恢复的梯度的分量应用 G_h 来定义 Hessian 恢复 H_h。
• 提出一个局部最小二乘拟合过程，在每个节点周围的补丁上构造一个次数为 k+1 的 p_{z_i}。
• 建立多项式保持性质：G_h 能保持次数为 k+1 的多项式；在对称性下扩展到 k+2。
• 开发两种超收敛的解析框架： (i) 在轻微结构网格上的超密接性；(ii) 在平移不变网格上的商比。
• 证明恢复的梯度相当于二阶有限差分格式，并得到渐近精确的事后估计量。

Figure 1: Illustration of the setup for recovery techniques in one-dimensional space.

实验结果

研究问题

• RQ1 如何构造梯度和 Hessian 恢复算子，使其在一般网格上保持多项式并实现超收敛？
• RQ2 在何种网格条件（轻微结构、平移不变）下，基于恢复的估计量可以被证明具备超收敛或超超收敛？
• RQ3 恢复的梯度/Hessian 能否用于构建多种 PDE（包括二阶、四阶和界面问题）的渐近精确的事后误差估计？
• RQ4 恢复算子与微分矩阵之间的关系是什么，以及这如何促进高效计算？
• RQ5 这些恢复技术在不同网格模式和问题类型上的实际表现如何？

主要发现

• 多项式保持梯度恢复 G_h 能保持次数为 k+1 的多项式；在对称性下，可以保持到 k+2。
• G_h 在一般网格上给出二阶精确的梯度近似，在均匀网格上等价于二阶有限差分。
• Hessian 恢复 H_h 可以通过对 G_h 的重复应用来组装，二阶微分矩阵形成 Hessian 的条目。
• 在具有某些模式的均匀网格上（例如规则网格），不同的恢复方法产生等价的二阶行为，而在 chevron 模式上 SPR 可能丧失超收敛，而 PPR 保持鲁棒。
• 基于恢复的估计量能够在若干类 PDE（二阶和四阶椭圆方程以及界面问题）的事后误差估计中实现渐近精确。
• 恢复框架是 meshplant (meshfree) 并且可适用于除标准 FEM 之外的各种数值方法，包括多边形/多面网格和其他离散化。

a