×

用于重叠Schwarz方法的降维自适应GDSW粗空间。 (英语) Zbl 1492.65344号

摘要:针对三维线性二阶椭圆问题,提出了一种新的降维自适应广义Dryja-Smith-Widlund(GDSW)重叠Schwarz方法。它对偏微分方程系数的大反差具有鲁棒性。新方法的条件数界限与系数对比度无关,仅取决于用户描述的公差。非重叠区域分解的界面被划分为非重叠的块。新的粗糙空间是通过选择定义在这些块上的某些局部特征问题的几个特征向量得到的。这些本征模被能量最小地扩展到非重叠子域的内部,并添加到粗糙空间。通过使用新的接口分解,降维自适应GDSW重叠Schwarz方法通常比现有的GDSW和自适应GDSW-区域分解方法具有更小的粗空间。针对新的降维自适应GDSW方法,证明了一种稳健的条件数估计,该估计对于现有的自适应GDSW方法也是有效的。给出了三维各向同性线弹性方程的数值结果,证实了理论结果。

MSC公司:

65号55 多重网格方法;偏微分方程边值问题的域分解
65F08个 迭代方法的前置条件
65层10 线性系统的迭代数值方法
68宽10 计算机科学中的并行算法

软件:

FROSch公司
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] J.Aarnes和T.Y.Hou,高纵横比椭圆问题的多尺度区域分解方法,数学学报。申请。罪恶。英语。序列号。,18(2002),第63-76页·Zbl 1003.65142号
[2] P.Björstad、J.Koster和P.Krzyzanowski,《大规模工业有限元问题的区域分解求解器》,摘自《应用并行计算》,《工业和学术界HPC的新范式》,《1947年计算机科学讲义》,柏林斯普林格出版社,2001年,第373-383页。
[3] M.Buck、O.Iliev和H.Andra¨,《线性弹性的多尺度有限元:振荡边界条件》,载于《科学与工程21世纪的区域分解方法》,LNCSE 98,Springer-Verlag,柏林,2014年,第237-245页·兹比尔1455.74012
[4] C.Dohrmann和O.B.Widlund,不规则子域的替代粗糙空间和平面上标量椭圆问题的重叠Schwarz算法,SIAM J.Numer。分析。,50(2012),第2522-2537页·Zbl 1261.65129号
[5] C.R.Dohrmann、A.Klawonn和O.B.Widlund,不太规则子域的区域分解:二维重叠Schwarz,SIAM J.Numer。分析。,46(2008),第2153-2168页·Zbl 1183.65160号
[6] C.R.Dohrmann、A.Klawonn和O.B.Widlund,重叠Schwarz预条件子的能量最小化粗糙空间族,收录于《科学与工程领域分解方法十七》,LNCSE 60,Springer-Verlag,柏林,2008年,第247-254页·Zbl 1359.65289号
[7] C.R.Dohrmann和O.B.Widlund,几乎不可压缩弹性力学的重叠Schwarz算法,SIAM J.Numer。分析。,47(2009),第2897-2923页·兹比尔1410.74064
[8] C.R.Dohrmann和O.B.Widlund,可压缩和几乎不可压缩弹性的混合区域分解算法,国际。J.数字。方法工程,82(2010),第157-183页·Zbl 1188.74053号
[9] C.R.Dohrmann和O.B.Widlund,《关于区域分解算法的小粗糙空间的设计》,SIAM J.Sci。计算。,39(2017年),第A1466-A1488页·Zbl 1369.65161号
[10] V.Dolean、F.Nataf、R.Scheichl和N.Spillane,基于局部Dirichlet-to-Neumann映射的粗糙空间的二层Schwarz方法分析,计算。方法应用。数学。,12(2012),第391-414页·Zbl 1284.65050号
[11] M.Dryja和O.B.Widlund,小重叠区域分解算法,SIAM J.Sci。计算。,15(1994年),第604-620页·Zbl 0802.65119
[12] Y.Efendiev、J.Galvis、R.Lazarov和J.Willems,抽象对称正定双线性形式的鲁棒区域分解预条件,ESAIM Math。模型。数字。分析。,46(2012),第1175-1199页·Zbl 1272.65098号
[13] Y.Efendiev和T.Y.Hou,《多尺度有限元方法:理论与应用,应用数学科学中的调查与教程》,施普林格-弗拉格出版社,柏林,2009年·Zbl 1163.65080号
[14] E.Eikeland、L.Marcinkowski和T.Rahman,三维多尺度问题的自适应粗空间重叠Schwarz方法,Numer。《数学》,142(2019),第103-128页·Zbl 1414.65044号
[15] J.Galvis和Y.Efendiev,高对比度介质中多尺度流的区域分解预处理:降维粗糙空间,多尺度模型。模拟。,8(2010年),第1621-1644页·Zbl 1381.65029号
[16] M.J.Gander、A.Loneland和T.Rahman,《区域分解方法的新谐波丰富多尺度粗糙空间分析》,预印本,arXiv:1512.052852015年。
[17] I.Graham、P.Lechner和R.Scheichl,多尺度偏微分方程的区域分解,数值。数学。,106(2007),第589-626页·Zbl 1141.65084号
[18] A.Heinlein,平行重叠Schwarz预处理器和多尺度离散化及其在流体-结构相互作用和高度非均匀性问题中的应用,博士论文,科隆大学,德国科隆,2016年。
[19] A.Heinlein、C.Hochmuth和A.Klawonn,《不可压缩流体流动问题用GDSW粗空间的整体重叠Schwarz区域分解方法》,SIAM J.Sci。公司。,41(2019),第C291-C316页·Zbl 1420.65034号
[20] A.Heinlein、C.Hochmuth和A.Klawonn,不可压缩流体流动问题整体Schwarz区域分解方法的降维GDSW粗空间,国际。J.数字。方法工程,121(2020),第1101-1119页·Zbl 1420.65034号
[21] A.Heinlein、A.Klawonn、J.Knepper和O.Rheinbach,二维双层重叠Schwarz方法的自适应GDSW粗空间,收录于《科学与工程领域分解方法》第二十四卷,LNCSE 125,Springer-Verlag,柏林,2018年,第373-382页·Zbl 1450.65164号
[22] A.Heinlein、A.Klawonn、J.Knepper和O.Rheinbach,基于文本2D中ACMS空间的重叠Schwarz方法的多尺度粗糙空间,ETNA,48(2018),第156-182页·Zbl 1448.65263号
[23] A.Heinlein、A.Klawonn、J.Knepper和O.Rheinbach,用于三维重叠Schwarz方法的自适应GDSW粗空间,SIAM J.Sci。公司。,41(2019年),第A3045-A3072页·Zbl 1425.65045号
[24] A.Heinlein、A.Klawonn、S.Rajamanickam和O.Rheinbach,《FROSch:基于Trilinos中Xpetra的快速稳健重叠Schwarz域分解预处理程序》,载于《科学与工程领域分解方法》第二十五卷,LNCSE 138,斯普林格-Verlag,柏林,2019年,第176-184页·Zbl 1509.65138号
[25] A.Heinlein、A.Klawonn和O.Rheinbach,基于Trilinos的能量最小化粗糙空间的两级重叠Schwarz方法的并行实现,SIAM J.Sci。计算。,38(2016),第C713-C747页·Zbl 1355.65168号
[26] A.Heinlein、A.Klawonn和O.Rheinbach,流体-结构相互作用中的并行两级重叠Schwarz方法,收录于《数值数学与高级应用ENUMATH 2015》,LNCSE 112,Springer-Verlag,柏林,2016年,第521-530页·Zbl 1387.74108号
[27] A.Heinlein、A.Klawonn和O.Rheinbach,具有能量最小化粗糙空间的并行重叠Schwarz,收录于《科学与工程二十三》的区域分解方法,LNCSE 116,Springer-Verlag,柏林,2017年,第353-360页·Zbl 1367.65043号
[28] A.Heinlein、A.Klawonn、O.Rheinbach和F.Roöver,GDSW重叠Schwarz预条件子在三维中的三级扩展,载于《科学与工程领域分解方法》第二十五卷,LNCSE 138,Springer-Verlag,柏林,2019年·Zbl 1433.65333号
[29] A.Heinlein、A.Klawonn、O.Rheinbach和O.Widlund,通过使用较小的能量最小化粗糙空间提高重叠Schwarz方法的并行性能,载于《科学与工程领域分解方法》第二十四卷,LNCSE 125,Springer-Verlag,柏林,2019年,第383-392页·Zbl 1450.65165号
[30] 侯政英和吴晓华,复合材料和多孔介质椭圆问题的多尺度有限元方法,J.Compute。物理。,134(1997),第169-189页·Zbl 0880.73065号
[31] G.Karypis和V.Kumar,用于划分不规则图的快速高质量多级方案,SIAM J.Sci。计算。,20(1998年),第359-392页·Zbl 0915.68129号
[32] H.H.Kim、E.Chung和J.Wang,BDDC和FETI-DP预条件器,用于具有振荡和高对比度系数的三维椭圆问题,J.Compute。物理。,349(2017),第191-214页·Zbl 1380.65374号
[33] A.Klawonn、M.Kuöhn和O.Rheinbach,三维FETI-DP的自适应粗糙空间,SIAM J.Sci。计算。,38(2016),第A2880-A2911页·Zbl 1346.74168号
[34] A.Klawonn、M.Kuöhn和O.Rheinbach,异质问题基础广义变换的自适应FETI-DP和BDDC方法,ETNA,49(2018),第1-27页·Zbl 1448.65236号
[35] A.Klawonn、P.Radtke和O.Rheinbach,《二维迭代子结构的自适应粗空间比较》,ETNA,45(2016),第75-106页·Zbl 1338.65084号
[36] A.Klawon和O.Rheinbach,使用基变换的三维线性弹性对偶原始FETI方法的并行实现,SIAM J.Sci。公司。,28(2006),第1886-1906页·兹比尔1124.74049
[37] A.Klawonn和O.B.Widlund,线性弹性的双原场效应晶体管方法,Comm.Pure Appl。数学。,59(2006),第1523-1572页·Zbl 1110.74053号
[38] J.Knepper,重叠Schwarz方法和多尺度椭圆问题的自适应粗糙空间,博士论文,科隆大学,德国科隆,2022年。
[39] J.Mandel和B.Sousediák,BDDC中面粗糙自由度的自适应选择和FETI-DP迭代子结构方法,计算。方法应用。机械。工程,196(2007),第1389-1399页·Zbl 1173.74435号
[40] J.Mandel、B.Sousedi⁄k和J.Ši⁄stek,三维自适应BDDC,数学。计算。《模拟》,82(2012),第1812-1831页·Zbl 1255.65225号
[41] L.Marcinkowski和T.Rahman,自适应粗空间的加平均Schwarz:多尺度问题的可扩展算法,ETNA,49(2018),第28-40页·Zbl 1448.65265号
[42] C.Pechstein和C.Dohrmann,现代区域分解解算器-BDDC,高级缩放和代数方法,在NuMa研讨会上的演讲幻灯片,JKU Linz,2013年12月10日,http://people.ricam.eoaw.ac.at/c.pechstein/pechstein-bddc2013.pdf。
[43] C.Pechstein和C.R.Dohrmann,自适应BDDC的统一框架,ETNA,46(2017),第273-336页·Zbl 1368.65043号
[44] Y.Saad,《稀疏线性系统的迭代方法》,第2版,SIAM,费城,2003年·Zbl 1031.65046号
[45] R.Scheichl,P.S.Vassilevski和L.T.Zikatanov,带函数约束的椭圆投影的弱逼近性质,多尺度模型。模拟。,9(2011),第1677-1699页·Zbl 1244.65215号
[46] B.Smith、P.Björstad和W.Gropp,《区域分解:椭圆偏微分方程的并行多层方法》,剑桥大学出版社,剑桥,1996年·Zbl 0857.65126号
[47] N.Spillane、V.Dolean、P.Hauret、F.Nataf、C.Pechstein和R.Scheichl,通过重叠中的广义特征问题抽象PDE系统的鲁棒粗糙空间,Numer。数学。,126(2014),第741-770页·Zbl 1291.65109号
[48] N.Spillane和D.Rixen,稳健有限元撕裂和互连以及平衡区域分解算法的自动谱粗糙空间,国际期刊Numer。《方法工程》,95(2013),第953-990页·兹比尔1352.65553
[49] A.Toselli和O.Widlund,区域分解方法-算法和理论,计算数学中的Springer系列34,Springer-Verlag,柏林,2005年·兹比尔1069.65138
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。