We introduce an unfitted finite element method with Lagrange-multipliers to study an Eulerian time stepping scheme for moving domain problems applied to a model problem where the domain motion is implicit to the problem. We consider a parabolic partial differential equation (PDE) in the bulk domain, and the domain motion is described by an ordinary differential equation (ODE), coupled to the bulk partial differential equation through the transfer of forces at the moving interface. The discretisation is based on an unfitted finite element discretisation on a time-independent mesh. The method-of-lines time discretisation is enabled by an implicit extension of the bulk solution through additional stabilisation, as introduced by Lehrenfeld \& Olshanskii (ESAIM: M2AN, 53:585--614, 2019). The analysis of the coupled problem relies on the Lagrange-multiplier formulation, the fact that the Lagrange-multiplier solution is equal to the normal stress at the interface and that the motion of the interface is given through rigid body motion. This paper covers the complete stability analysis of the method and an error estimate in the energy norm. This includes the dynamic error in the domain motion resulting from the discretised ODE and the forces from the discretised PDE. To the best of our knowledge this is the first error analysis of this type of coupled moving domain problem in a fully Eulerian framework. Numerical examples illustrate the theoretical results.


翻译:我们引入了一种不合适的有限元素方法,用Lagrange-倍增器来研究一个 Eulelian 时间阶梯式方法,用于将域的问题移到一个模型问题中,而域动议隐含着域动议的问题。我们考虑在散装域中采用抛离部分差分方程(PDE),而域动议则用普通的差分方程描述(ODE),加上通过移动界面的引力转移产生的大宗部分差分方程(ODE),这种离散是基于在时间独立的网格上对不合适的有限元素的分解。线性时间推移方法是通过额外的稳定化来隐含地扩大大宗解决办法的延伸,正如Lehrenfeld ⁇ Olshandskii (Olshanskii) (ESAIM: M2AN, 53:585--614, 2019) 所介绍的那样。对相加问题的分析依赖于Lagrange-倍化方位方程式的配方程式,即Lagrange-倍化方程式的解决方案相当于接口的正常压力,而界面的动作运动是硬体运动运动运动运动运动运动运动运动的动作。本文涵盖了模型中的方法的全面稳定性分析和对域域内离差法式的模型的模型的模型的模型的模型的精确分析,包括这一动态模型的理论模型的模型的模型的模型的模型的模型的模型的模型。

0
下载
关闭预览

相关内容

《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Call for Nominations: 2022 Multimedia Prize Paper Award
CCF多媒体专委会
0+阅读 · 2022年2月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
VIP会员
相关VIP内容
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Call for Nominations: 2022 Multimedia Prize Paper Award
CCF多媒体专委会
0+阅读 · 2022年2月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员