用于对流主导输运的带代数稳定化的自适应有限元

《Journal of Computational Physics》:Adaptive finite elements with algebraic stabilization for convection-dominated transport

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Computational Physics 3.9

编辑推荐:

   **摘要** 本文对基于残差的后验误差估计进行了数值研究,该估计针对通过代数通量校正及相关代数稳定化技术进行稳定的对流扩散方程的有限元离散化。具体而言,我们考虑了采用BJK限幅器和整体凸(MC)限幅器的代数通量校正(AFC)方案,以及代数稳定化方法,包括单调迎风格代数稳定化

  

**摘要**

本文对基于残差的后验误差估计进行了数值研究,该估计针对通过代数通量校正及相关代数稳定化技术进行稳定的对流扩散方程的有限元离散化。具体而言,我们考虑了采用BJK限幅器和整体凸(MC)限幅器的代数通量校正(AFC)方案,以及代数稳定化方法,包括单调迎风格代数稳定化(MUAS)、对称化单调迎风格代数稳定化(SMUAS)和BBK方法。我们在自适应细化网格上,针对多个二维测试问题研究了估计器和限幅器的性能,包括边界层、内层以及具有解依赖输运的非线性对流问题。

实验评估了精度、离散最大值原理的保持性、自适应网格行为和计算效率。结果表明,稳定化与后验误差估计之间的相互作用强烈依赖于网格对齐方式和对流场的特征。特别地,对于具有移动或弯曲层的问题,限幅器的行为存在显著差异:强迎风型限幅器提供最精确的解,而更平滑的代数稳定化方法导致更高效的非线性迭代。研究还表明,基于残差的估计器在线性和非线性问题中均保持可靠,但可能会在自适应细化过程中对限幅器激活的变化做出反应。

总体而言,数值结果阐明了多种广泛使用的稳定化技术在自适应框架中的实际行为,并突出了当前理论尚未完全解释的方面,特别是对于非线性输运问题。

---

**引言**

在流体力学中,其中一个基本方程是稳态对流扩散反应(CDR)方程,该方程用于建模输运现象和浓度过程。被输运的量$u(x)$是偏微分方程的解:

$$\begin{cases} -\varepsilon\Delta u + \mathbf{b}\cdot\nabla u + cu = f & \text{in } \Omega, \\ u = u_D & \text{on } \Gamma_D, \\ \varepsilon\nabla u \cdot \mathbf{n} = u_N & \text{on } \Gamma_N. \end{cases}$$

在式(1)中,$\varepsilon > 0$是扩散系数,$\mathbf{b}$表示对流场,$c$是反应系数。偏微分方程定义在闭有界域$\Omega \subset \mathbb{R}^d$上,$d \geq 2$,其边界为$\Gamma \doteq \Gamma_D \cup \Gamma_N$。其中,在$\Gamma_D$上给定Dirichlet边界条件($u_D$),在$\Gamma_N$上给定Neumann边界条件($u_N$)。此外,$\Gamma_D \cap \Gamma_N = \emptyset$且$\Gamma_D \neq \emptyset$。

当对流占扩散主导地位时,即$L\|\mathbf{b}\|_{\infty,\Omega} \gg \varepsilon$时,会出现一个有趣的现象,其中$L$表示问题的特征长度。在这种情况下,在边界附近和域内部会出现狭窄区域,其中解表现出陡峭的梯度。这些区域被称为层,通常分类为边界层和内层。标准的Galerkin方法无法准确解析这些层,这促使了稳定化技术的使用。其中最突出的稳定化方法之一是文献[1]中引入的流线迎风Petrov–Galerkin(SUPG)方法。在此方法中,通过在流线方向添加人工扩散来修改变分格式。这些方法被进一步扩展以获得层减振假振荡(SOLD)方法[2]。

另一种相关的方法是SUPG–YZ$\beta$方法,该方法在SUPG格式中补充了一个非线性激波捕捉算子,在具有尖锐层的区域引入局部人工扩散,从而在远离层的区域保持精度的同时显著减少虚假振荡[3]。所有这些方法本质上都是线性的,即修改后的系统导致一个线性代数方程组,可以高效求解。然而,众所周知,这些方法在层的附近仍然会产生小的下冲和上冲[4]。这种行为的原因是式(1)满足某些最大值原理,因此期望数值解满足离散最大值原理(DMP)。线性稳定化方法通常无法满足DMP(见[5]),这导致了振荡的存在。

文献[6]中介绍的非线性稳定化技术(用于演化CDR方程)克服了这一困难。Kuzmin课题组将这些思想推广到式(1)上,并在文献[7]、[8]中进一步发展。这些方法通常被称为代数通量校正(AFC)方案。该术语源于稳定化是在离散系统的代数层面应用的,而不是直接在变分格式中应用。这些方法的首个数学分析在文献[9]中提出,后来在文献[10]中进一步完善。近年来,引入了一类新的非线性稳定化技术,称为代数稳定化,其中限幅因子不是对称的[11]、[12]。这些方法在保持计算效率的同时实现了最优收敛率。这里的效率指的是求解所得系统所需的非线性迭代步数。由于这些方案本质上是非线性的,高效求解策略至关重要。我们还注意到,文献[13]中提出的方法可以被视为一种代数稳定化方法。这些方法的综合概述可在文献[5]、[14]中找到。

在实践中,解决层的另一种方式是通过使用非均匀网格。常用的两种方法是:一种采用预先确定的层自适应网格,如Shishkin网格[15];另一种基于后验误差估计生成自适应网格。本文重点关注后者。互补的研究方向是基于对偶加权残差(DWR)框架的目标导向自适应网格细化。文献[16]中提出了一种针对时变对流扩散反应方程的各向异性时空目标导向误差估计器,其中自适应细化由感兴趣量驱动,并使用SUPG稳定化。这些思想随后在文献[17]中被扩展到多目标误差控制和各向异性网格自适应。两项工作均展示了基准问题(如Hemker问题)的高效解析。这些方法针对的是感兴趣量而非全局离散化误差,因此与本文考虑的基于残差的自适应方法形成互补。

关于式(1)的后验误差估计在文献中已被广泛研究。误差估计的一个重要方面是估计器所度量的范数。另一个重要性质是$\varepsilon$-鲁棒性,即当$\varepsilon \to 0$时估计器保持有界。在文献[18]中,作者对自然范数(能量范数)中的估计器进行了全面综述,并表明现有的估计器均不具有$\varepsilon$-鲁棒性。第一个鲁棒估计器在文献[19]中开发,通过纳入对偶范数实现。这项工作后来在文献[20]中被扩展到包含线性稳定化方法。文献[21]中开发了另一种针对SUPG范数的SUPG方法的鲁棒估计器,其分析依赖于某些假设。我们还注意到,在其他范数(如$L^1$、$L^2$和$L^\infty$)中的估计器分别在文献[22]、[23]、[24]中。

仅有少数工作将后验误差估计与非线性代数稳定化相结合。文献[25]中提出了该方向上的初始贡献,其中开发了一种能量范数中的隐式误差估计器。作者提出了一种完全可计算的误差估计器,但它对$\varepsilon$不具有鲁棒性。估计器的局部效率依赖于限幅器的Lipschitz连续性。该方向的下一项贡献在文献[26]中完成,其中在能量范数中开发了一种显式残差型估计器。提出了一种形式化的局部下界,但估计器再次对$\varepsilon$不具鲁棒性。文献[27]中对非一致网格进行了进一步研究,表明矩阵的适当修改确保了DMP的满足。所有这些工作主要关注AFC方案。最近,在文献[28]中,这些思想被扩展到代数稳定化方法。然而,该工作主要集中在理论分析上,仅包含有限的数值实验。本研究旨在填补这一空白。

本文在上述基础之上,提供了对后验误差估计器和各种代数通量限幅器的综合数值研究。本研究的主要贡献如下:

- 对AFC和代数稳定化方案在自适应细化网格上进行了详细的二维数值评估。
- 纳入了整体凸限幅(MC)方案[29]以及BBK方法[5]、[13]的数值研究,这些在早期的分析中是缺失的。
- 涉及非线性问题的数值实验。据我们所知,之前关于AFC方案的数值研究仅限于线性示例;这里我们还给出了非线性情况的结果。

值得注意的是,之前对这些方法的数值评估主要是在均匀细化网格上进行的;见文献[30]、[31]、[32]。相比之下,本文关注自适应细化网格,为它们在更现实的计算设置中的性能提供了新的见解。

本文其余部分组织如下。在第2节中,我们给出了本文考虑的代数稳定化方案的统一概述。第3节总结了基于残差的后验误差估计器的主要理论结果。第4节展示了详细的数值实验,重点关注自适应网格细化和各种相关参数。最后,第5节总结了主要发现。

---

**代数稳定化方案**

本文全文使用Sobolev空间及其范数的标准记号。设$\Omega \subset \mathbb{R}^d$,$d \geq 2$为可测集,则$L^2$内积定义为$(\cdot, \cdot)$,其对偶配对定义为$\langle \cdot, \cdot \rangle$。$W^{m,p}(\Omega)$上的范数(半范数)记为$\|\cdot\|_{m,p,\Omega}$($|\cdot|_{m,p,\Omega}$),约定$W^{m,2}(\Omega) = H^m(\Omega)$且$\|\cdot\|_{m,\Omega} = \|\cdot\|_{m,2,\Omega}$(类似地$|\cdot|_{m,\Omega} = |\cdot|_{m,2,\Omega}$)。

众所周知,在假设

$$c(\mathbf{x}) - \tfrac{1}{2}\nabla \cdot \mathbf{b}(\mathbf{x}) \geq \sigma > 0$$

下,式(1)存在唯一的弱解$u \in \mathcal{C}(\overline{\Omega}) \cap H_D^1(\Omega)$,满足

$$a(u, v) = \langle f, v \rangle + \text{msub}\ldots$$

**后验误差估计器**

本节回顾文献[28]中发展的后验误差估计器。

在给出结果之前,我们首先提供关于网格剖分的一些细节。设$\{\mathcal{T}_h\}_{h>0}$为域$\Omega$的一致三角剖分族,其中每个三角剖分$\mathcal{T}_h$由单纯形组成,具有特征网格尺寸

$$h := \max_{K \in \mathcal{T}_h} h_K.$$

我们假设每个三角剖分都是适定的,即任意两个单元要么不相交,要么共享一个完整的$m$维面,其中$0 \leq m \leq d-1$。此外,

**数值研究**

本节给出第3节中引入的后验误差估计器的数值评估。我们使用一组性能指标,在自适应细化网格上比较第2节中不同的代数稳定化方案。

求解后验误差问题的一般策略遵循以下循环:

$$\textbf{SOLVE} \to \textbf{ESTIMATE} \to \textbf{MARK} \to \textbf{REFINE}.$$

我们现在逐步说明并提供相关细节。

- **SOLVE(求解)**:AFC方案在均匀网格上的求解过程已在相关文献中详细讨论。

**总结**

本节总结全文所呈现的结果。我们研究了多种限幅策略在自适应细化网格上的数值行为。具体而言,我们考虑了采用BJK和MC限幅器的AFC方案,以及代数稳定化方案,包括MUAS、SMUAS和BBK方法。数值评估分为三个类别。

1. **精度**:我们使用有效度指数和数值解的误差来评估精度。

---

**CRediT作者贡献声明**

Naveed Ahmed:撰写 – 原稿,可视化,软件,数据管理。Abhinav Jha:撰写 – 原稿,可视化,验证,软件,资源,方法论,调查研究,形式化分析,数据管理,概念化。

**利益冲突声明**

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

Naveed Ahmed | Abhinav Jha
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号