一维和二维非线性抛物型偏微分方程问题的自适应径向基函数有限差分与径向基函数高阶有限差分格式
《Engineering Analysis with Boundary Elements》:Adaptive RBF-FD and RBF-HFD schemes for nonlinear parabolic PDE problems in one and two dimensions
【字体:
大
中
小
】
时间:2026年10月21日
来源:Engineering Analysis with Boundary Elements 3.5
编辑推荐:
•针对非线性抛物型偏微分方程的自适应RBF-FD/HFD格式。•更好地解决停滞误差和病态问题。•通过动态形状参数优化提高精度。•所提格式的相容性、稳定性和收敛性。•在显著减少自由度和CPU时间的情况下实现可比精度。
引言
径向函数可以定义为有穷/无穷光滑函数与相对于参考节
•针对非线性抛物型偏微分方程的自适应RBF-FD/HFD格式。•更好地解决停滞误差和病态问题。•通过动态形状参数优化提高精度。•所提格式的相容性、稳定性和收敛性。•在显著减少自由度和CPU时间的情况下实现可比精度。
引言
径向函数可以定义为有穷/无穷光滑函数与相对于参考节点的径向距离(欧几里得距离)的复合函数。多项式调和样条(PHS)、高斯函数(GA)、多元二次(MQ)、逆多元二次(IMQ)是常用的标准径向函数。在散点集上定义为径向函数平移的径向基函数(RBF)被广泛应用于开发无网格方法。这些方法提供代数/谱精度,易于在高维散点数据中应用,并灵活地在不规则区域上求解插值和偏微分方程问题(Kansa [1]、[2],Fasshauer [3],Fasshauer和McCourt [4],Dehghan和Shokri [5]、[6])。在全局配点法中[1]、[2],在参考节点上近似线性微分算子需要计算域内每个节点的信息,这导致高度稠密且病态的矩阵。为解决这一问题,Tolstykh [7]、Shu [8]、Wright和Fornberg [9]、[10]提出了基于RBF的局部配点方法,如RBF-FD和RBF-DQ,用于求解偏微分方程问题。为进一步提高RBF-FD方法的近似精度,Wright和Fornberg [10]提出了紧致RBF-FD公式,也称为RBF-HFD公式,用于散点集上。许多研究者开发了基于RBF-FD的数值格式,计算出现在各种应用领域中的各类偏微分方程问题的解,例如流体力学[11]、[12]、[13],数学化学和生物学[14]、[15],金融中的期权定价模型[16]、[17]、[18]、[19],多维期权定价问题[20]、[21]、[22],非线性色散和波传播[23]、[24]、[25]、[26]等。关于RBF-FD方法及其在求解偏微分方程问题中应用的更详细和全面的讨论,可参考Fornberg和Flyer的专著[27]。最近,基于RBF-HFD的求解偏微分方程问题的数值格式获得了广泛关注,参见例如[28]、[29]。
设$\mathbf{u}:\overline{\Omega}_T\to\mathbb{R}$表示定义在区域$\overline{\Omega}_T:=\overline{\Omega}\times[0,T]$上的未知实值物理量。其中,$\Omega\subset\mathbb{R}^d$表示具有边界$\partial\Omega$的开放且有界$d$维区域($d\geq 1$),$\overline{\Omega}:=\Omega\cup\partial\Omega$。我们考虑如下形式的一般抛物型偏微分方程问题:
$$u_t=\nu\,\Delta\,u+\mathbf{V}\cdot\nabla u+f(\mathbf{x},t,u),\quad(\mathbf{x},t)\in\Omega\times(0,T],$$
$$u(\mathbf{x},0)=u_0(\mathbf{x}),\quad\mathbf{x}\in\Omega,$$
$$u(\mathbf{x},t)=g(\mathbf{x},t),\quad(\mathbf{x},t)\in\partial\Omega\times(0,T],$$
其中$\mathbf{V}\equiv\mathbf{V}(\mathbf{x},t,u)$,$f$,$u_0$,$g$为已知函数;$\nu>0$为扩散系数;$T$表示最终时间。针对偏微分方程问题(1)的基于RBF-FD和RBF-HFD的方法涉及将$\Delta\,u$和$\nabla u$近似为参考节点局部支撑集上$u$的信息(以及可能的微分算子)的加权求和。赋予局部支撑集上信息的权重通过求解线性方程组来确定。该线性方程组依赖于径向函数的选择、其形状参数($\varepsilon$)和节点距离。已观察到,对于较小的形状参数和节点距离值,线性方程组高度病态。因此,权重的直接数值计算会导致近似的数值不稳定。在此背景下,Schaback [30]指出了近似精度与计算稳定性之间的权衡原则。后来,该权衡原则被称为一种误解,随后发展了若干稳定算法,即等轮廓Padé算法[31]、RBF-QR [32]、RBF-GA [33]、RBF-RA [34]以及Fasshauer和McCourt提出的Hilbert-Schmidt-SVD方法([4],第13章),用于稳定计算权重。在最近的一项研究中,Schaback [35]重新肯定了权衡原则,并将其扩展为一个基本结果。
Bayona等人[36]对线性方程组采用符号计算,得到了基于MQ的RBF-FD近似公式权重的解析表达式。他们表明,对于标准测试函数,带有权重解析表达式的RBF-FD近似在很大程度上避免了数值不稳定问题,并在广泛的形状参数值范围内实现了精度改进。他们还观察到,当$\varepsilon$趋于零时,解析权重收敛于相应的FD公式权重。Bayona及其合作者[37]、[38]验证了[36]中获得的RBF-FD公式,用于求解椭圆型偏微分方程问题。Bayona、Moscoso和Kindelan [39]推导了高斯RBF-FD和RBF-HFD公式,用于近似一阶和二阶导数(直至四阶)和二维拉普拉斯算子(二阶)。最近,Satyanarayana等人[40]获得了基于MQ的RBF-HFD公式(带有权重的解析表达式),用于在均匀分布的模板节点上近似一阶和二阶导数(直至十阶)和二维拉普拉斯算子(直至六阶)。他们还证明了精度显著提升、权重计算稳定性改善,以及所获得公式向相应紧致FD[41]、[42]公式的收敛性。Song等人[43]将RBF与积分RBF及多项式相结合,在非均匀节点集上进行局部配点,推导出紧致FD型公式的解析表达式。最近,Mishra等人[44]使用基于IMQ的四阶HFD方法求解多维椭圆型偏微分方程的边值问题。他们通过形状参数优化实现了六阶收敛和数值解精度的提高。
建模物理或生物现象的偏微分方程问题,如具有弱扩散的非线性输运、反应-扩散和色散,其解剖面上常表现出快速变化特征,如边界层、尖锐梯度和振荡。基于均匀离散化的此类问题的数值格式往往面临极高的计算复杂度。因此,基于不同节点集细化准则的自适应方法被开发出来,以与自适应/固定网格方法相比更准确地捕捉偏微分方程解中瞬态变化区域。多位作者使用基于RBF的自适应技术求解多元插值问题[45]、[46]、边值问题[47]、[48]和非线性输运现象[49]、[50]。Huang等人[51]将移动网格技术与有限差分方法相结合,求解解中具有大空间/时间变化的时变偏微分方程问题。Sarra [52]修改了一个简单的移动网格算法,开发了一维时变偏微分方程问题的自适应RBF全局方法。Driscoll和Heryudono [53]提出了自适应残差子采样方法,用于RBF插值和全局配点方法求解稳态和非稳态偏微分方程问题。在此过程中,每个时间步根据残差误差向量在计算域上评估的阈值选择同时增加/删除节点。对基函数的缩放实施以减少全局插值/配点矩阵的条件数。其他研究者将自适应子采样算法扩展应用于求解偏微分方程问题[54]、[55]、[56]、[57]。最近,Cavoretto [58]提出了一种全局RBF方法,采用自适应留一交叉验证(LOOCV)型误差指标,在方法线框架内求解一维时变偏微分方程问题。为解决二维时变偏微分方程问题,Garmanjani等人[59]提出了一种动态算法,用于识别解剖中快速变化的区域,并在这些区域中应用局部自适应节点细化策略。
局部RBF-FD方法的自适应节点细化技术可能具有优于全局自适应方法的优势,例如相关线性方程组具有中等/低条件数。众所周知,对于最优选择形状参数($\varepsilon$)值(通常为小而正值),RBF-FD方法的精度可显著提高。然而,具有小$\varepsilon$的RBF-FD方法的权重直接数值计算(也称为直接RBF-FD方法)存在病态问题。Davydov及其合作者[60]、[61]为直接RBF-FD方法开发了自适应策略,求解二维Poisson问题并获得了优于自适应有限元方法的精度。Javed等人[62]通过采用形状参数选择的自适应策略来降低通过直接数值计算获得的RBF-FD权重的系数矩阵条件数,从而求解了不可压缩粘性Navier-Stokes方程。Dorbravec等人[63]将动态四叉树分解与无网格RBF-FD方法相结合,在自适应框架中实现了枝晶凝固的精确且计算高效的相场建模。Sreedhar等人[64]开发了带有形状参数选择自适应策略的RBF-BDF方法,使得局部截断误差在每个时间步最小化。
本文的主要目的是开发具有局部RBF配点的自适应数值格式,用于求解解剖面中包含快速变化区域的时变偏微分方程问题(1)。我们将所提的自适应方法作为现有全局自适应方法[52]、[53]、[58]的更优替代方案。据我们所知,基于解析近似公式的局部自适应RBF-FD和HFD格式尚未被开发用于非稳态偏微分方程问题。我们的尝试在此方向上是首创的。所提出的数值格式需要我们生成RBF-FD和RBF-HFD公式,以在非均匀节点模板上近似一阶和二阶导数。在这项工作中,我们首先扩展了Satyanarayana等人[40]的工作,获得了在非均匀模板上近似导数的RBF-FD和RBF-HFD公式的解析表达式。我们使用MQ[65]径向基函数$\phi(r)=\sqrt{1+\varepsilon^2 r^2}$,其中涉及自由形状参数$\varepsilon$;这里$r$表示两点之间的欧几里得距离。在平坦极限下,所获得的公式收敛于在均匀节点模板上推导的相应FD和紧致FD公式[41]、[42]。我们展示了解析公式在解决直接方法中RBF-FD和HFD近似所面临的停滞误差和病态问题方面的效率,其中权重是数值计算的。
接下来,我们将残差子采样算法[53]与我们的RBF-FD和RBF-HFD公式相结合并进行自适应改造,以生成针对时变偏微分方程问题的更高效、更精确的自适应数值格式。在每个时间步,解析公式帮助在半离散化后的自适应节点集上对偏微分方程问题进行离散化。然后我们在方法线框架内实施五阶DIRK5方法来求解常微分方程组。权重的解析表达式和局部配点极大地降低了系数矩阵的条件数。在每个时间步通过最小化自适应节点集上局部截断误差的均方根值进行形状参数优化,从而带来精度提升。对于二维偏微分方程问题,我们采用基于四叉树的单元分解结合残差子采样来动态引入或删除点。我们通过在Burgers方程和Allen-Cahn方程的一维和二维基准问题上广泛分析了自适应数值格式的性能。所提方法生成的精度阶数与均匀网格RBF-FD、RBF-HFD和全局自适应方法相当,但所需节点数和计算时间显著减少。压缩指数指标为这种优越性能方面提供了具体度量。需要求逆的矩阵条件数被观察到比全局自适应方法小几个数量级。
本文其余部分组织如下。在第2节"非均匀RBF-FD格式"和第3节"非均匀RBF-HFD格式"中,我们在三点非均匀模板上获得了基于MQ的用于近似内部节点一阶和二阶导数的RBF-FD和RBF-HFD公式。附录A中报告了边界节点上导数的类似近似公式,这些公式在单侧四点非均匀模板上获得。为使用RBF-FD或RBF-HFD近似在非均匀节点集上离散化二阶偏微分方程,第4节获得了一阶和二阶导数的微分矩阵。具有数值权重的RBF-FD和RBF-HFD近似存在停滞误差问题。在第5节中,我们展示了基于解析权重的近似公式无停滞误差。第6节描述了非稳态偏微分方程问题的两步离散化过程——第一步使用RBF-FD或RBF-HFD格式在非均匀节点集上进行空间离散化,该节点集通过应用自适应残差子采样方法获得。第二步通过五阶对角隐式Runge-Kutta(DIRK5)方法进行时间离散化。我们提供了实施伪算法。然后讨论了相容性和稳定性方面。为分析所提自适应数值格式的性能,我们在第7节中求解了基准非稳态偏微分方程问题。第8节描述了用于二维非稳态偏微分方程问题的基于四叉树的自适应RBF-FD和RBF-HFD方法。为分析所提基于四叉树的自适应数值格式的性能,我们在第9节中求解了二维时变偏微分方程问题。
最后,我们在第10节总结我们的工作。章节摘要
非均匀RBF-FD格式
在本节中,我们首先描述用于在有界域 Ω??? 上逼近线性微分算子 ? 的RBF-FD格式。设 ??={???, ???,…, ??_??} 表示 Ω 中的一组非均匀节点。节点集 ?? 表示对域 Ω 的离散化。设 ???={???,?, ???,?,…, ???,??},其中 ??????,表示参考节点 ???∈?? 的局部支撑集。集合 ??? 由参考节点 ??? 以及集合 ?? 中该节点的部分邻近节点组成。因此,根据RBF-FD格式,???(???) 可近似为 ???(???)≈?_??[???]。
非均匀RBF-HFD格式
在本节中,我们简要描述用于逼近定义在域 Ω??? 上的线性微分算子的RBF-HFD格式。设 ??={???, ???,…, ??_??} 为 Ω 中的一组非均匀节点。对于参考节点 ???,设 ???={???,?, ???,?,…, ???,??},其中 ??????,表示其局部支撑集。局部支撑集由参考节点 ??? 和集合 ?? 中该节点的部分邻近节点组成。此外,设 ???={???,???, ???,???,…, ???,??_??} 表示 ??? 的被删去的局部支撑集,满足 ??????? 且 ???????。
微分矩阵
利用RBF-HFD格式(22)、(A.15)和(A.18),对非均匀内部节点和边界节点集 ?? 上的一阶导数进行近似的微分矩阵 (??_??) 表示为:
??′≈??_?? ??
其中
??_?? = ???_???1 ??_??
?? = [???, ???,…, ??_??]?
??′ = [??′?, ??′?,…, ??′_??]?
矩阵 ??_?? 和 ???_?? 由一阶导数格式的权重构造而成:
??_?? =
[
[???,?, ???,?, ???,?, ???,?, 0, …, 0]
[???,?, ???,?, ???,?, 0, …, 0]
[0, …, ?, ?, ?, …, ?]
[?, ?, …, ?, ?, …]
[??_???1,?, ??_???1,?, ??_???1,?, 0, …, 0]
[??_??,?, ??_??,?, ??_??,?, ??_??,?]
]
???_?? =
[
[1, ?????,?, 0, …, 0]
[?????,?, 1, ?????,?, …, 0]
[0, …, ?, ?, ?, ?]
[?, ?, …, ?, ?, …]
[0, ????_???1,?, 1, ????_???1,?, 0, …, 0]
[????_??,?, 1]
]
类似地,我们得到了二阶导数的近似表达式。
利用RBF-FD和RBF-HFD解析公式解决停滞误差问题
Fornberg和Flyer [66] 研究了不同类型径向函数关于插值和导数逼近的问题。利用傅里叶分析方法,他们获得了分别基于薄板样条、多二次和Gaussian函数的逼近的多项式、谱和超谱收敛阶。Flyer等人 [67] 观察到在使用依赖于形状参数(??)的径向函数(如Gaussian和MQ)进行常数函数的RBF插值时出现停滞误差现象。停滞误差的收敛速度随形状参数增大而降低。
用于非线性PDE问题的自适应RBF-FD和HFD格式
我们考虑一维中时间相关PDE问题(1)的一般形式:
??_?? = ???,????????_???? + ??(??,??,??)??_?? + ??(??,??,??),??∈(??,??),??∈(???, ??]
其中 ??>0 为常数参数;?? 和 ?? 是 ??、?? 和 ?? 的函数。PDE(34) 满足以下初始条件和Dirichlet边界条件:
??(??,???) = ???(??),??∈(??,??)
??(??,??) = ??(??),??(??,??) = ??(??),??∈(???, ??]
其中 ???、??、?? 为充分光滑的已知函数。
利用(32)、(33)中定义微分矩阵 (??_?? 和 ??_????) 对问题进行半离散化。
数值结果
在本节中,我们利用自适应残差子抽样(ARS)方法结合所提出的离散化格式——RBF-FD近似(第2节)和RBF-HFD近似(第3节)——求解Burgers方程的三个基准问题以及Allen–Cahn方程的一个问题。时间推进使用DIRK5方法。我们报告各离散时刻 ??_?? 的最大误差 ‖??‖_∞ 和均方根误差:
‖??‖_∞(??_??) = max_{???∈??_??_??} |??(???,??_??) ? ???,?|
RMS(??_??) = (1/?? ∑_{??=1}^{??} |??(???,??_??) ? ???,?|2)^{1/2}
其中 ??_??_?? 表示非均匀节点集。
基于四叉树的二维非稳态PDE自适应RBF-FD和RBF-HFD方法
在本节中,我们提出将自适应RBF-FD和RBF-HFD方法扩展到二维矩形域上的非线性抛物PDE问题。为此,我们将基于四叉树的分解方法[70]应用于PDE问题域中的一组网格点。利用四叉树分解进行自适应细化具有若干优势,例如实现细化与粗化的局部区域,从而与均匀细化相比减少总的自由度。
基于四叉树的自适应RBF-FD和RBF-HFD方法的二维数值算例
在本节中,我们通过求解四个基准抛物PDE问题来测试第8节提出的基于四叉树分解的自适应RBF-FD和RBF-HFD方法的性能。这些问题包括二维线性平流–扩散方程和非线性反应–扩散方程。
问题5
我们现在考虑二维扩散方程在外部源 ??(??,??) 作用下的初始边界值问题(参见[59]):
??_?? = (??_???? + ??_????) + ??(??,??,??),定义在 (0,16)2 × (0,??] 上
该问题的精确解为 ??(??,??,??)。
结论
在本工作中,我们发展了基于非均匀RBF-FD和HFD的局部自适应方法,用于对一维和二维的时间相关PDE问题进行半离散化。在任何离散时刻,自适应节点采样策略提出了一组适合精确高效分辨时间相关PDE解中尖锐梯度的非均匀结构化节点集合,其分布为精细/粗糙的混合。所提方法本质上是局部的,而现有方法则不然。
CRediT作者贡献声明
Madhumita Nath:撰写——原稿,可视化,验证,软件,调查研究,形式分析,数据整理。
Chirala Satyanarayana:撰写——审阅与编辑,验证,监督,方法论,调查研究,形式分析,概念化。
Manoj Kumar Yadav:撰写——审阅与编辑,验证,监督,方法论,调查研究,形式分析,概念化。
利益冲突声明
作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。
Madhumita Nath | Chirala Satyanarayana | Manoj Kumar Yadav