在基于网格自适应的度量中启用节点数量控制

《Computer-Aided Design》:Enabling node count control in metric-based mesh adaptation

【字体: 大 中 小 】 时间:2026年09月27日 来源:Computer-Aided Design 3.2

编辑推荐:

   •动态缩放可纠正自适应过程中网格与度量之间的不匹配。•在自适应方案中,无需调节参数即可实现目标节点数,误差低于1%。•已在并行仿真框架中验证,适用于稳态和非稳态偏微分方程。•方法与底层自适应算法无关。•实现大规模仿真中计算成本的可靠且可预测的控制。 网格自适应已成为高保真仿

  

•动态缩放可纠正自适应过程中网格与度量之间的不匹配。•在自适应方案中,无需调节参数即可实现目标节点数,误差低于1%。•已在并行仿真框架中验证,适用于稳态和非稳态偏微分方程。•方法与底层自适应算法无关。•实现大规模仿真中计算成本的可靠且可预测的控制。

网格自适应已成为高保真仿真的关键工具[1]。它通过动态细化或粗化单元以及在感兴趣区域移动节点来增强计算网格的几何精度[2]。自适应方法中最常用的一种方法是从解场导出度量张量。所得度量在每个网格节点处规定了期望的单元尺寸和方向。因此,基于度量的自适应框架允许控制单元的异性特性,使单元与流动特征或解梯度对齐以提高精度[3],[4]。

简单形网格(二维三角形、三维四面体)的网格自适应通常采用拓扑操作,如边交换、面交换以及边分裂和边折叠,以改善单元形状和尺寸[5],[6]。然而,分裂和折叠操作会改变节点总数,这可能与实际仿真中用户指定的节点预算或计算限制相冲突。这凸显了需要兼顾精度和资源约束策略的必要性。

通常的做法是根据期望的节点数或单元数对度量进行截断[7],[8],[9]。然而,度量与最终节点数之间的关系仅是近似的,且会出现不准确的情况,尤其是当与拓扑自适应操作中使用的容差(如边长阈值)结合时。在其他工作中,误差阈值指导度量[10],[11],控制局部分辨率但不直接限制节点总数。因此,需要设置停止准则或最大节点数以防止过度细化。

在本工作中,我们建立了迭代度量重新缩放方法的基础[12],该方法生成具有指定节点数的自适应网格。我们通过推导理想化网格的理论(固定)缩放值来证明动态缩放的必要性,并表明在实际中,这些值不足以强制执行指定的节点数。迭代重新缩放可纠正目标度量定义的单元网格与自适应算法行为之间的差异,确保无论采用何种网格自适应策略,都能实现期望的节点数。该方法已在稳态和非稳态问题上进行了验证,包括使用我们自主开发的网格划分器在Alya软件[13]中进行的并行城市仿真。

本文的组织结构如下。第1节介绍通用的网格自适应方案。第2节回顾度量复杂性并介绍重新缩放算法。第3节分析理想网格中节点数与复杂性之间的关系。第4节展示动态缩放的优势和鲁棒性。第5节展示2D和3D非稳态仿真,第6节给出结论。总体而言,该方法实现并维持节点数误差低于1%。

## 1. 基于度量的网格自适应初步知识

设Ω??^d,M为Ω的一个网格,且具有关联的度量场??。在每个网格节点x处,度量??(x)是一个d×d维的对称正定矩阵。由于度量是对称的,它可以被对角化:??(x) = QΛQ^T,其中Q是特征向量矩阵,Λ = diag(λ_i), i = 1, …, d 是包含特征值λ_i的对角矩阵。特征向量规定了单元的优选方向,而沿这些方向的期望单元尺寸为h_i = 1/√λ_i。

基于度量的网格自适应旨在生成一个单位网格,其边、面和体积在规定的度量场下具有单位度量。然而,对于任意的度量场,一般无法获得单位网格。因此,迭代自适应算法结合拓扑操作(折叠、分裂、交换)和几何操作(节点平滑)来产生准单位网格[14],[15],[16],力求将度量边长维持在[√2/2, √2]范围内,同时最大化单元质量。

2D和3D单元质量度量的综述见文献[17]。我们使用基于Jacobian的畸变度量来评估相对于规定度量场的单元质量[18]。具体而言,我们实现了文献[19]中的形状和尺寸畸变度量,当单元在度量空间中是等边的且单位尺寸时,该单元达到最大质量(q = 1)。

算法1给出了一个通用的网格自适应方案,由度量场中定义的质量目标准则驱动。从初始网格开始,第2行定义了每个拓扑操作一系列逐步收紧的目标nt。例如,tcoll(1:nt)表示边折叠的一系列递增目标长度。类似地,tsplit是边分裂的递减目标长度,而tswap和topti分别对应交换和优化操作的递增质量目标。Alya中采用的具体序列为nt = 4个自适应循环,容差为:(1) 其中 tcoll = (0.1, 0.3, 0.5, √2/2),tsplit = (3, 2.5, 2, √2),tswap = (0.1, 0.3, 0.6, 0.8),topti = (0.1, 0.3, 0.6, 0.8)。

定义这些目标后,自适应循环开始(第3行)。对于每个质量目标,网格使用标准的局部操作进行更新:边折叠、边分裂、边交换和节点优化(第4–7行)。这一分阶段的过程确保逐步符合度量场,同时保持单元质量,在精度和效率之间取得平衡(第8行)。大多数现有算法[5],[15],[16],[20]遵循与算法1类似的模板,主要区别在于质量阈值的序列(第2行)。

这些实现方法在生成理想单位网格(通常无法实现)与计算效率之间取得平衡。过多或失败的操作,如反复进行边分裂、折叠、交换或节点优化,会显著增加计算成本。限制此类操作可加速网格生成,但导致结果偏离期望的单位网格。

质量目标并非规定节点数与最终节点数之间差异的唯一来源。度量通常使用固定参数进行重新缩放,该参数旨在反映期望的节点数[7],[8],[9]。然而,这种缩放源自理想的网格–度量关系,在实际中会引入传播到最终网格的误差。此外,几何边界和为保证度量场几何一致性和可离散化而引入的约束(如网格渐变、边长界限和异性比)也会影响最终节点数。

本工作聚焦于一种迭代缩放策略,该策略可在给定输入网格和目标度量的情况下控制自适应算法生成的网格节点数。缩放允许在不改变底层AdaptMesh自适应过程或其质量阈值的前提下精确控制节点数,同时保持规定度量场的相对空间分辨率和异性特性。下一节将介绍重新缩放方法并讨论其与度量复杂性的关系。

## 2. 通过度量重新缩放控制节点数

本节介绍度量复杂性的概念及其与最终节点数的关系(第2.1节),并讨论度量重新缩放的设计方法(第2.2节)。

### 2.1. 度量复杂性、节点数与重新缩放

设Ω ∈ ?^d,??(x)为d维空间中的对称正定度量张量,定义度量复杂性为(2) C(??) := ∫Ω √det ??(x) dx。

网格节点数N(??)可估计[8],[9]为(3) N(??) ≈ λC(??),

其中λ既依赖于连续度量场作为离散单位网格的可实现性,也依赖于网格划分算法生成此类网格的能力。参数λ必须针对每种情况进行估计,无法事先确定。

给定度量??和α ∈ ?>0,我们用??(α)表示重新缩放后的度量(4) ??(α) ? α^(2/d) ??。

由此可得复杂性随α线性缩放:(5) C(??(α)) = ∫Ω √det ??(α)(x) dx = ∫Ω √(α2 det ??(x)) dx = αC(??),

结合公式(3),可估计??(α)对应的网格节点数为:(6) N(??(α)) ≈ λC(??(α)) = λαC(??) ≈ αN(??)。

给定目标节点数NT,我们寻求α使得αN(??) = NT。设固定目标度量??,并用N(α)表示N(??(α))的节点数,即N(α) ≡ N(??(α))。然后,可将公式(6)中的关系N(??(α)) ≈ αN(??)写为(7) N(α) ≈ αN(1)。

现在假设使用??(α)生成的自适应网格产生了N(α)个节点,一般而言这不等于我们的目标节点数NT。目标是估计第二个缩放因子β,使得对应的度量??(β)生成的网格具有N(β) = NT个节点。对β使用公式(7),我们有N(β) ≈ βN(1),因此原度量对应的缩放为(8) β = NT / N(1)。

结合公式(7)和(8),得到(9) β = NT / N(1) ≈ α·NT / N(α),

这使得我们可根据当前观测数据(α和N(α))估计新的缩放参数β。如果??(α)产生的N(α) = NT,则β将始终等于α,从而提供目标节点数。

### 2.2. 迭代度量重新缩放

考虑一种针对给定度量生成准单位网格的网格自适应方案。我们寻求缩放因子α以产生NT个节点。对于初始猜测α0,其产生N0 = N(α0)个节点,我们定义迭代重新缩放算法:(10) α_(k+1) = α_k · NT / N_k,

其中N_k := N(α_k)表示第k次迭代的网格节点数。该方法自洽:如果α_k已产生N_k = NT,则公式(10)给出α_(k+1) = α_k,即不动点,度量保持不变。

算法2给出了度量重新缩放的直接过程:每次迭代中,将缩放因子应用于度量(第5行),生成网格(第6行)。然后,利用产生的节点数(第7行)更新下一次迭代的缩放因子(第8行)。如果节点数的相对误差小于指定容差(ε_N),或者达到最大自适应循环数(n_ad),则过程终止(第3行)。在我们的实验中,使用ε_N = 0.01来展示所提方法的精度。然而在实践中,较宽松的节点误差容差ε_N = 0.1通常已足够。

最后,我们以算法3结尾,该算法将重新缩放策略与数值求解器耦合。从初始解和网格(u0, M0)开始,使用第3.2节中描述的默认λ0初始化缩放α0(第8行)。主求解器循环(第3行)推进PDE的求解:每次迭代中,使用算法2对网格进行自适应,将解插值到新网格上(第10行),然后继续计算。

算法3中的停止准则由底层求解器选择和用户指定的容差控制。对于稳态问题,通常当解残差的某个范数下降到给定容差以下(或达到目标迭代次数)时宣布收敛。对于非稳态问题,停止条件对应于达到最终仿真时间。所有展示测试案例的具体收敛准则将在第5节中分别说明。

算法3假设有合适的初始网格M0可用,该网格已充分自适应于初始解/条件u0。这样的网格为度量计算和后续重新缩放迭代提供了有效的起点。如果没有自适应初始网格,我们建议在初始网格M0上先进行一个初步的网格自适应阶段。这将提供一个与初始度量兼容的网格。一旦生成了自适应初始网格,即可按上述方法应用所提出的算法。

最后,我们强调所提出的方法论独立于底层PDE。在数值部分中,我们将展示其对稳态和非稳态问题的适用性。

## 3. 单位网格与动态缩放的优势

我们研究网格节点数与度量复杂性之间的关系,以论证使用动态缩放的必要性。在第3.1节中,我们分析均匀度量的理论缩放值;在第3.2节中,我们在一般度量上测试这些估计值,并与迭代缩放方法的结果进行比较。

**图1.** 常数度量的均匀离散化:(a)笛卡尔1D和(b)等边简单形区域。

### 3.1. 单位网格和准单位网格的节点–复杂性关系

我们假设对于准单位网格,节点数N与度量复杂性C(??)成正比,即N ≈ λC(??),见公式(3)。为了估计λ,我们考虑理想化配置,在其中均匀度量(11) ?? = n2I_d, n ∈ ? 下,N和C(??)都可以显式计算。

我们分析两种基本情况的节点–复杂性关系,缩放常数的详细推导推迟到附录。

首先,在$d$维超立方体上对目标度量进行离散化的笛卡尔网格(见图1(a))可以达到$\lambda_{\perp}:=1$。其次,基于等边单纯形细分的单纯形网格(见图1(b))根据空间维度$d$达到不同的$\lambda$值:$\lambda_{d\triangle}:=\sqrt{\frac{2d}{\sqrt{d+1}}}$。这两种网格的空间堆积方式不同,从而改变了度量复杂度与节点数之间的关系。具体而言,当网格单元趋向等边时,节点密度增加($\lambda$值更高)。这两种单元形状在自适应框架中都是可接受的。事实上,基于度量的自适应通常以准单位网格为目标。因此,根据单元质量以及自适应框架中"单位"或"准单位"的具体定义,对于恒定度量,$\lambda$应位于以下范围内:

(12) $d=2$: $\lambda\in[\lambda_{\perp},\lambda_{2\triangle}]=[1,2\sqrt{3}]\approx[1,1.15]$,

(13) $d=3$: $\lambda\in[\lambda_{\perp},\lambda_{3\triangle}]=[1,\sqrt{2}]\approx[1,1.41]$。

这些变化使得在所有的二维和三维仿真场景及框架中定义单一通用的$\lambda$值变得不切实际。在实践中,$\lambda$既取决于预设度量,也取决于自适应网格,而后者可能由于算法容差、初始网格配置、边界约束等因素偏离等边性;对于空间变化的度量,其渐分程度、各向异性和尺寸界限也会影响结果。

我们的基于度量的自适应框架(算法1)强制实施准单位长度和等边形状。现在我们进行一项恒定度量测试,以检验我们的框架所得到的节点-复杂度关系。我们考虑方程(11)中的恒定度量,并对逐渐增加的度量复杂度自适应网格,以计算实际的$\lambda$值。

图2展示了针对均匀度量$\mathbb{M}=n^2\mathbb{I}_d$(其中$n=8,16,32,\dots$)自适应网格的理论节点-复杂度关系与计算结果。网格图像对应$n=8$。图2展示了两种不同的准单位网格及其对应的$\lambda$值:二维情况下$\lambda=1.09$,三维情况下$\lambda=1.28$。在我们的框架中,当折叠或分割边时,长度在$[\sqrt{2}/2,\sqrt{2}]$范围内被认为是有效的。相比之下,当优化节点位置或交换实体时,则强制实施等边单元。因此,在我们的准单位自适应框架中,对于$d=2$和$d=3$的测试均得到$\lambda\in[\lambda_{\perp},\lambda_{d\triangle}]$。

3.2. 动态缩放的优点

在3.1节中,我们分析了两个恒定度量的缩放值。然而,由于自适应算法和所选目标度量都会影响该值,固定的缩放策略并不切实际。在本节中,我们演示了迭代缩放如何在自适应过程中动态确定$\lambda$,并始终优于固定方法。

我们使用文献[21]中提出的基准问题。设区域$\Omega=[0,1]^d$,度量场定义为:

(14) $\mathbb{M}=\mathrm{diag}(h_i(\mathbf{x})^{-2})$,$i=1,\dots,d$,

其中$h_1(\mathbf{x})=0.001+0.198|x_1-0.5|$,$h_2=h_3=0.1$。我们定义固定缩放族为

(15) $\mathbb{F}_\lambda:=(N_T^{\lambda C})^{2/d}\cdot\mathbb{M}$,$\lambda\in\{\lambda_{d\triangle},\lambda_{\perp}\}$,

以及迭代缩放族为

(16) $\mathbb{I}_\star:=\alpha^{2/d}_k\cdot\mathbb{M}$,$\alpha_0=N_T^{\lambda_0 C}$,$\alpha_{k+1}=\alpha_k\frac{N_T}{N_k}$,

其中$C=C(\mathbb{M})$是未缩放度量的复杂度,$\lambda_0=\lambda_{d\triangle}$。或者,也可以初始化$\lambda_0=\lambda_{\perp}$,这将导致类似的结果。

图3展示了$N_T=800$(二维)和$N_T=8000$(三维)情况下的最终网格和边长分布。所有三种方法都产生了高质量的结果。图4展示了收敛性、误差和缩放;三维情况包括了文献[9]中的缩放,对应$\lambda=2$。只有迭代缩放能够确保所有情况和维度下的节点数相对误差为1%。

缩放图显示最优值随每个目标配置而变化,这促使采用动态缩放策略。我们强调,等边缩放$\mathbb{F}_{\lambda_{d\triangle}}$优于缩放$\mathbb{F}_{\lambda_{\perp}}$,这与用于驱动网格自适应的等边单元质量度量[19]一致。因此,我们以$\lambda_{d\triangle}$初始化迭代方法。

4. 引入度量渐分和品质阈值

在本节中,我们引入自适应方案的关键组成部分,即度量渐分和品质阈值,并研究它们对重新缩放策略的影响。

度量渐分防止单元尺寸发生突变。为了控制这些变化,我们采用文献[22]中提出的尺寸渐分因子。用$\ell_p$表示当前度量下的长度,则经过渐分的各向异性度量的特征值为:

$\eta^2_i(\mathbf{p}_{\mathbf{x}})=\left((1+\sqrt{\lambda_i}\|\mathbf{p}_{\mathbf{x}}\|^{2}\ln(\beta))^{1/8}\cdot(1+\ell_p(\mathbf{p}_{\mathbf{x}})\ln(\beta)/7)^{8}\right)^{-2}$,$i=1,\dots,d$,

其中$\lambda_i$是原始度量的特征值,$\beta$是渐分因子。

同样,我们采用方程(14)中的度量,并执行一系列网格细化以研究所得到的误差和缩放行为。结果展示在图5中。如前所述,迭代缩放方法优于固定方法,在二维和三维情况下都能以小于1%的误差达到目标节点数。为进行比较,我们还包括无渐分情况下的迭代缩放结果(绿色线),显示出当从非渐分度量切换到渐分度量时,最优缩放会发生变化。

我们以模拟另外两种自适应框架[15, 20]来结束本节。相应的品质目标列在表1中,结果展示在图6中。对于所有框架,迭代缩放都能收敛到正确的节点数,而固定缩放则无法达到正确的节点数。

表1. 基于Alya(A)、文献[20](B)和文献[15](C)的自适应品质序列。

| 品质 | A | B | C |
|------|---|---|---|
| $t_{coll}$ | 0.1, 0.3, 0.5, $\sqrt{2}$ | $\sqrt{2}$ | $2\times4$ |
| $t_{split}$ | 3, 2.5, 2, $\sqrt{2}$ | 2, $\sqrt{2}$, $\sqrt{2}$ | $\sqrt{2}\times4$ |
| $t_{swap}$ & $t_{opti}$ | 0.1, 0.3, 0.6, 0.8 | $(0.4,0.8)\times4$ | $0.8\times4$ |

5. 使用几乎固定节点数求解PDE

我们通过将迭代重新缩放应用于偏微分方程,包括瞬态热方程和并行城市流模拟,以此结束数值部分,并突出其在实际应用中的潜力。所有模拟均使用Alya求解器进行。我们采用文献[9]中提出的度量:

(17) $\mathbb{M}_p=\det(|\mathbf{H}_u|)^{-1/(2p+d)}|\mathbf{H}_u|$,

其中$d$是空间维度,$\mathbf{H}$表示场量$u$的赫森矩阵。在所有数值例子中,为了说明目的,我们将$p$固定为2,因为这一选择在平滑度量过渡($p=1$)和锐利特征保留($p\to\infty$)之间提供了一个平衡的中间值。

5.1. 应用于非稳态偏微分方程

考虑热方程:

(18) $\frac{\partial u}{\partial t}=\Delta u+f(\mathbf{x},t)$,$\mathbf{x}\in\Omega$,

其中$\Omega=[0,1]^d$,$f(\mathbf{x},t)$是与解析解$u(\mathbf{x},t)=\tanh(100\cdot(0.15-\sqrt{\|\mathbf{x}-\mathbf{c}\|}+0.05^2))$相匹配的源项。这里,对于$d=2$,$\mathbf{c}=(0.5,0.5)+0.15(\cos\theta,\sin\theta)$,$\theta=2\pi t$;对于$d=3$,我们添加$c_3=0.25+0.5t$。我们施加狄利克雷边界条件和由解析解决定的初始条件,并将最终时间设为0.5,时间步长为$\Delta t=10^{-3}$。

假设目标节点数在二维中为$N_T=5000$,在三维中为$N_T=40,000$。我们将评估配备迭代重新缩放(算法3)的自适应求解器的性能。在每个求解器步$s$中,我们设定节点数容差为1%。

图7展示了三个时间步的解快照。我们观察到,二维和三维情况都生成了高质量的网格,准确追踪了解的特征。图8展示了每个求解器步的节点数。在这两种情况下,节点数都保持在1%的目标容差内,尽管三维情况需要更频繁的内部循环。然而,1%的容差相对严格。作为参考,我们还展示了2%的带宽,在这种情况下自适应过程将不需要内部循环。

5.2. 案例研究:城市环境中的风模拟

为了展示新重新缩放策略的鲁棒性,我们计算了城市环境中的气流。此设置作为对框架能力的压力测试,即在不牺牲精度的情况下,动态适应高梯度流区域(如高楼后面的尾流区和狭窄的街道峡谷),同时保持所需的节点数。也就是说,网格在细化与粗化的过程中保持计算成本不变,而不影响精度。

我们关注巴塞罗那Eixample区的96个街区(如图9所示),并使用文献[23]中提出的框架求解不可压缩稳态纳维-斯托克斯方程:

$\rho(\mathbf{u}\cdot\nabla)\mathbf{u}-\mu\nabla^2\mathbf{u}+\nabla p=0$ 在$\Omega$中,
$\nabla\cdot\mathbf{u}=0$ 在$\Omega$中。

这里,$\mathbf{u}$表示速度,$p$表示压力,$\Omega$表示目标城市区域,$\mu$表示动力粘度,$\rho$表示密度。作为初始条件,我们规定与入流速度相匹配的均匀流($u_0=(-5,0,0)$ m/s)。对于边界条件,除了右边界(入流)和左边界(出流)外,我们在所有边界上施加自由滑移条件。

我们通过使用MareNostrum5[24]的64个CPU运行模拟,证明所提出的方法与并行分区无关。我们还测试了度量缩放循环(算法2中的第3行)的两个容差:严格容差$\varepsilon_N=0.01$(1%)和宽松容差$\varepsilon_N=0.05$(5%)。为了获得可比的统计数据,我们每50次纳维-斯托克斯迭代触发一次自适应过程,总共运行1000个求解器步,在两种情况下都达到$10^{-8}$的收敛度。

初始网格包含215,730个节点,使用自动化方法[25]生成,该方法综合了目标城市的房产登记信息、数字高程模型(DEM)和激光雷达点云信息。这种方法生成了理想化的几何网格,消除了街道层面的噪声,并提供了一个非结构化的三维网格。

图10展示了初始和最终自适应网格,按30米高度的速度大小着色(左图)和截面网格视图(中图和右图)。这些视图说明了网格如何细化以捕捉复杂的流特征(如建筑物尾流和街道层面的梯度),同时在远离街区的区域进行粗化。

图11展示了两种容差下的节点数历史,目标设为$N_T=200,000$个节点。模拟收敛到198,472和200,150个节点,分别匹配5%和1%的目标容差。第一次自适应步骤需要几个内部循环(分别为11次和16次),因为初始网格离散了几何形状但未离散流特征,导致整个区域的网格修改。因此,重新缩放必须同时校正流分辨率不足和节点数不匹配的问题。在后续的自适应步骤中,$\varepsilon_N=0.01$的情况需要循环激活3次,而$\varepsilon_N=0.05$只需要一次激活。伪时间步之间的重新缩放足以避免内部重新缩放迭代的循环。

此例子进一步证实,无论几何复杂度如何,该框架都允许匹配所需的节点预算。复杂的城市边界强调了动态缩放方法的必要性。存在大量内部边界(城市街区)和高度变化的度量,导致$\lambda$收敛到0.95的值,偏离了理想的等边缩放$\lambda_{3\triangle}\approx1.41$。

我们观察到,当模拟并行运行时,缩放方法的行为与本工作中展示的其他串行结果相同。由于动态缩放过程依赖于单个全局体积积分进行初始缩放(见方程(2)、(16)),以及跨所有子域的全局节点计数策略,因此它与并行分解无关。

缩放方法的有效性在运行大规模模拟时是一项基本功能。分配的计算资源与节点数成线性关系。因此,保持计算预算之内是所选自适应方案的必备功能。

6. 结论

在本工作中,我们提出了一种迭代度量重新缩放框架,以确保网格自适应过程中的节点数控制。我们推导了恒定度量的理论缩放,并表明对于非平凡变化的度量,缩放必须动态更新。

本文提出的方法论同时满足了精度要求,实现了各向异性网格自适应,并控制了计算成本。将迭代缩放集成到网格自适应工作流中,消除了对临时参数调优的需求,并以系统且可靠的方式确保满足用户指定的节点预算。该方法在二维和三维空间中的不同度量指标下进行了验证,涵盖了不同的渐变因子和网格质量框架。稳态和非稳态模拟的结果,包括一个并行城市流动案例,均在保持精度的前提下,始终将节点数量控制在预设目标的1%以内。虽然所提出的度量重缩放框架成功达到了指定的节点数量,但存在两个局限性需要注意。第一,底层的不动点迭代呈现线性收敛特性(见图11),未来的工作将研究加速方案,例如牛顿型更新方法。第二,该方法对初始网格的质量较为敏感。如果初始网格过于粗糙、过细,或者与目标度量对齐不佳,早期迭代中的节点数量可能会出现显著的超调或欠调现象。然而在实践中,这一问题通常通过使用能够充分分辨初始解的初始网格来加以缓解。与仅基于度量复杂度估计的传统固定缩放方法不同,所提出的方法会动态重缩放度量,直到自适应网格满足指定的节点数量容差为止,从而为广泛的应用提供了稳定且鲁棒的节点数量控制机制。这在大规模并行模拟中尤为重要,因为计算成本和资源分配直接取决于节点和单元的数量,使得可靠的节点预算控制对于高效、可预测和可扩展的模拟至关重要。贡献声明:Julia Docampo-Sánchez:论文撰写——审阅与编辑、论文撰写——原稿撰写、可视化、验证、软件、方法论、调查研究、概念构思。Guillaume Houzeaux:论文撰写——审阅与编辑、软件、资金获取。Abel Gargallo-Peiró:论文撰写——审阅与编辑、论文撰写——原稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、概念构思。Julia Docampo-Sánchez | Guillaume Houzeaux | Abel Gargallo-Peiró
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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