[论文解读] Sharp uniform in time error estimate on a stochastic structure-preserving Lagrangian method and computation of effective diffusivity in 3D chaotic flows

Zhongjian Wang, Jack Xin+1 more|arXiv (Cornell University)|Aug 20, 2018

Stochastic processes and financial applications被引用 3

一句话总结

本文针对三维混沌流中求解随机微分方程的结构保持拉格朗日方法，提出了一个在时间上一致的精确误差分析，实现了有效扩散率的精确且高效计算。通过将数值解建模为马尔可夫过程并利用遍历性，该方法消除了先前误差界中的指数增长因子，从而在如ABC流和柯尔莫哥洛夫流等流体中实现了可靠的长时间收敛。

ABSTRACT

In this paper, we study the problem of computing the effective diffusivity for a particle moving in chaotic flows. Instead of solving a convection-diffusion type cell problem in the Eulerian formulation (arising from homogenization theory for the Fokker-Planck equation), we compute the motion of particles in the Lagrangian formulation, which is modeled by stochastic differential equations (SDEs). A robust numerical integrator based on a splitting method was proposed to solve the SDEs and a rigorous error analysis for the numerical integrator was provided using the backward error analysis (BEA) technique [29]. However, the upper bound in the error estimate is not sharp. In this paper, we propose a completely new and sharp error analysis for the numerical integrator that allows us to get rid of the exponential growth factor in our previous error estimate. Our new error analysis is based on a probabilistic approach, which interprets the solution process generated by our numerical integrator as a Markov process. By exploring the ergodicity of the solution process, we prove the convergence analysis of our method in computing the effective diffusivity over infinite time. We present numerical results to demonstrate the accuracy and efficiency of the proposed method in computing effective diffusivity for several chaotic flows, especially the Arnold-Beltrami-Childress (ABC) flow and the Kolmogorov flow in three-dimensional space.

研究动机与目标

• 解决现有数值方法在计算混沌流中有效扩散率时缺乏精确的时间一致误差估计的问题。
• 克服先前反向误差分析中导致长时间精度受限的指数增长因子。
• 开发一种概率误差分析框架，确保在无限时间范围内实现收敛。
• 为计算三维混沌流（如ABC流和柯尔莫哥洛夫流）中的有效扩散率，提供一种严格且计算高效的数值方法。
• 建立数值解过程的遍历性与有效扩散率估计收敛性之间的联系。

提出的方法

• 在拉格朗日框架下，使用随机微分方程（SDEs）描述混沌流中的粒子运动。
• 应用基于分裂的数值积分器求解SDEs，以保持底层的随机结构。
• 将数值解过程建模为马尔可夫过程，以支持概率误差分析。
• 利用马尔可夫过程的遍历性质，推导出不具指数增长的、时间一致的误差界。
• 在概率设定下进行反向误差分析，将数值解与真实解路径关联起来。
• 通过在三维混沌流（包括阿诺德-贝尔特拉米-奇德尔雷斯（ABC）流和柯尔莫哥洛夫流）上的数值实验验证该方法。

实验结果

研究问题

• RQ1 能否为三维混沌流中具有结构保持特性的拉格朗日SDE积分器，推导出精确的时间一致误差估计？
• RQ2 数值解过程的遍历性如何影响有效扩散率估计的长时间收敛性？
• RQ3 能否通过概率误差分析框架消除先前误差界中的指数增长因子？
• RQ4 所提出方法在计算ABC流和柯尔莫哥洛夫流的有效扩散率时，其精度与效率如何？
• RQ5 数值解的马尔可夫结构如何实现对无限时间范围内的严格收敛性分析？

主要发现

• 所提方法通过消除先前反向误差分析中固有的指数增长因子，实现了精确的时间一致误差估计。
• 误差界基于数值积分器生成的马尔可夫过程的遍历性推导得出，确保了在无限时间范围内的稳定性。
• 该方法可实现对ABC流和柯尔莫哥洛夫流等三维混沌流中有效扩散率的可靠计算，并显著提升了精度。
• 数值结果证实了该方法的高效性与鲁棒性，尤其在长时间模拟中，相较于以往方法因误差累积而发散的情况，本方法表现优异。
• 概率方法为分析随机动力系统中结构保持积分器提供了全新的理论基础。
• 在数值解过程具有遍历性的假设下，有效扩散率的收敛性得到了严格证明。