Fully implicit Runge-Kutta (IRK) methods have many desirable properties as time integration schemes in terms of accuracy and stability, but high-order IRK methods are not commonly used in practice with numerical PDEs due to the difficulty of solving the stage equations. This paper introduces a theoretical and algorithmic preconditioning framework for solving the systems of equations that arise from IRK methods applied to linear numerical PDEs (without algebraic constraints). This framework also naturally applies to discontinuous Galerkin discretizations in time. Under quite general assumptions on the spatial discretization that yield stable time integration, the preconditioned operator is proven to have condition number bounded by a small, order-one constant, independent of the spatial mesh and time-step size, and with only weak dependence on number of stages/polynomial order; for example, the preconditioned operator for 10th-order Gauss IRK has condition number less than two, independent of the spatial discretization and time step. The new method can be used with arbitrary existing preconditioners for backward Euler-type time stepping schemes, and is amenable to the use of three-term recursion Krylov methods when the underlying spatial discretization is symmetric. The new method is demonstrated to be effective on various high-order finite-difference and finite-element discretizations of linear parabolic and hyperbolic problems, demonstrating fast, scalable solution of up to 10th order accuracy. The new method consistently outperforms existing block preconditioning approaches, and in several cases, the new method can achieve 4th-order accuracy using Gauss integration with roughly half the number of preconditioner applications and wallclock time as required using standard diagonally implicit RK methods.


翻译:完全隐含的 Ruge- Kutta ( IRK) 方法有许多可取的特性, 因为时间整合计划在准确性和稳定性方面具有许多可取性, 但是在数字 PDE 中,由于难以解决阶段方程式, 在数字 PDE 中, 高级顺序 IRK 方法在实践中并不常用, 但是由于难以解决阶段方程式。 本文引入了一个理论和算法的前提条件框架, 以解决线性数字 PDE 中由IRK 方法产生的方程式系统( 不受代数限制 ) 。 这个框架自然也适用于不连续的 Galerkin 分解。 在对空间分解和时间步骤进行稳定时间整合的空间分解的非常一般假设下, 前提条件操作者被证明, 由小的、 顺序- 一 顺序 的定序 和 连续的定序 直径定序法, 以三度的直径直线性定序法, 以快速递增缩法 。 新的方法, 以新的直径法 和直径直径的直径直径直径直立法 。, 的直径直径直径直立的Klodal, 直径 的直径直行 直到直行 直 直 的,,, 直 直 直 的 直行 直行 直行 的 直行, 直行, 直径向 直行 直行,,, 直行 直行 的 直行, 的 直行 直行 直行 直行 直行, 直行 直行, 的 的 的 直行 直行 直行 直, 的 直行 直行 直行,,,,, 直行 的,, 直行 直行, 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行, 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行 直行

0
下载
关闭预览

相关内容

最新《生成式对抗网络》简介,25页ppt
专知会员服务
168+阅读 · 2020年6月28日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
167+阅读 · 2019年10月11日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
将门创投
4+阅读 · 2018年6月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
将门创投
4+阅读 · 2018年6月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员