We consider nodal-based Lagrangian interpolations for the finite element approximation of the Maxwell eigenvalue problem. The first approach introduced is a standard Galerkin method on Powell-Sabin meshes, which has recently been shown to yield convergent approximations in two dimensions, whereas the other two are stabilized formulations that can be motivated by a variational multiscale approach. For the latter, a mixed formulation equivalent to the original problem is used, in which the operator has a saddle point structure. The Lagrange multiplier introduced to enforce the divergence constraint vanishes in an appropriate functional setting. The first stabilized method we consider consists of an augmented formulation with the introduction of a mesh dependent term that can be regarded as the Laplacian of the multiplier of the divergence constraint. The second formulation is based on orthogonal projections, which can be recast as a residual based stabilization technique. We rely on the classical spectral theory to analyze the approximating methods for the eigenproblem. The stability and convergence aspects are inherited from the associated source problems. We investigate the numerical performance of the proposed formulations and provide some convergence results validating the theoretical ones for several benchmark tests, including ones with smooth and singular solutions.


翻译:我们考虑基于节点的Lagrangian插值来有限元逼近Maxwell特征值问题。首先介绍了一种在Powell-Sabin网格上的标准Galerkin方法,最近已经证明在二维情况下可以产生收敛的逼近解决方案,另外两种则是可以通过一个变分多尺度方法来获得的稳定公式。对于后者,采用了一个等价于原始问题的混合公式,其算子具有鞍点结构。为实现散度约束,引入了拉格朗日乘数,该乘数在适当的函数空间中为零。我们考虑引入依赖于网格的项来稳定第一种方法,该项可视为散度约束的拉格朗日乘数的Laplacian。第二种方法则基于正交投影,可被重构为基于残差的稳定技术。我们依赖经典的谱理论来分析本文所提出的逼近特征值问题的方法。稳定性和收敛性的方面可由相关源问题继承。我们对所提出的公式进行了数值性能研究,并针对包括平滑和奇异解在内的多个基准测试提供了一些收敛性结果的验证。

0
下载
关闭预览

相关内容

【硬核书】矩阵代数基础,248页pdf
专知会员服务
83+阅读 · 2021年12月9日
专知会员服务
50+阅读 · 2020年12月14日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
专知会员服务
61+阅读 · 2020年3月4日
浅聊对比学习(Contrastive Learning)
极市平台
2+阅读 · 2022年7月26日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014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 · 2013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
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
Arxiv
0+阅读 · 2023年5月23日
VIP会员
相关资讯
浅聊对比学习(Contrastive Learning)
极市平台
2+阅读 · 2022年7月26日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3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
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014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 · 2013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
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
Top
微信扫码咨询专知VIP会员