We analyse the local discontinuous Galerkin (LDG) method for two-dimensional singularly perturbed reaction-diffusion problems. A class of layer-adapted meshes, including Shishkin- and Bakhvalov-type meshes, is discussed within a general framework. Local projections and their approximation properties on anisotropic meshes are used to derive error estimates for energy and "balanced" norms. Here, the energy norm is naturally derived from the bilinear form of LDG formulation and the "balanced" norm is artifically introduced to capture the boundary layer contribution. We establish a uniform convergence of order $k$ for the LDG method using the balanced norm with the local weighted $L^2$ projection as well as an optimal convergence of order $k+1$ for the energy norm using the local Gauss-Radau projections. Numerical experiments are presented.


翻译:我们分析了二维奇不相干的Galerkin(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(Shishkin-和Bakhvalov-meshes(Bakhvalov-meshes)方法)方法(LDV)方法(LDGDG)方法(LDGDG)方法(LDGGGGGG)方法(LDGDGG)方法(LDG)方法(LDGGGGG)方法(LDG)方法(LDG)方法(LDGGGG)方法(LDG)方法(LDGG)方法(LDGGGGGG)方法(LDGGGGGGG)方法(LDGGGGGGGG)方法)方法)方法(LDGGGGGGG)方法(LDG)方法(LDGGGG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法(LDG)方法)方法)方法(LDGGGGGGGGGG)方法)方法(LDG)方法(LDG)方法)方法)方法(LDGG)方法(LDGG)方法(LGGGGGGGGGGGGGGGGGGGG)方法(L)方法(LG)方法(L)方法(LGGGGG)方法(L)方法(L)方法(LGGGGG)方法(LG)方法(L)方法(LG)方法(LDGGGGGGGG)

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【陈天奇】TVM:端到端自动深度学习编译器,244页ppt
专知会员服务
86+阅读 · 2020年5月11日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
专知会员服务
53+阅读 · 2019年12月22日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
自定义损失函数Gradient Boosting
AI研习社
13+阅读 · 2018年10月16日
详解常见的损失函数
七月在线实验室
20+阅读 · 2018年7月12日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
自定义损失函数Gradient Boosting
AI研习社
13+阅读 · 2018年10月16日
详解常见的损失函数
七月在线实验室
20+阅读 · 2018年7月12日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员