A recent paper [J. A. Evans, D. Kamensky, Y. Bazilevs, "Variational multiscale modeling with discretely divergence-free subscales", Computers & Mathematics with Applications, 80 (2020) 2517-2537] introduced a novel stabilized finite element method for the incompressible Navier-Stokes equations, which combined residual-based stabilization of advection, energetic stability, and satisfaction of a discrete incompressibility condition. However, the convergence analysis and numerical tests of the cited work were subject to the restrictive assumption of a divergence-conforming choice of velocity and pressure spaces, where the pressure space must contain the divergence of every velocity function. The present work extends the convergence analysis to arbitrary inf-sup-stable velocity-pressure pairs (while maintaining robustness in the advection-dominated regime) and demonstrates the convergence of the method numerically, using both the traditional and isogeometric Taylor-Hood elements.


翻译:最近的一份论文[J. A. Evans, D. Kamensky, Y. Bazilevs, “不同型号的多尺度模型,离散、无差异的子尺度”,“计算机和数学与应用,80(2020) 2517-257”为无法压缩的纳维-斯托克斯方程式引入了一种新的稳定化元素法,该方程式结合了基于残余的吸附稳定性、强力稳定性和离散抑制性条件的满意度。然而,上述工作的趋同性分析和数字测试都受制于对速度和压力空间的异化选择这一限制性假设,即压力空间必须控制每个速度功能的差异。目前的工作将趋同性分析扩大到任意的上表速度压力对配方(同时保持吸附型系统坚固性),并用传统和等异计量泰勒-Hood元素从数字上展示了方法的趋同性。

0
下载
关闭预览

相关内容

【AAAI2022】基于图神经网络的统一离群点异常检测方法
专知会员服务
27+阅读 · 2022年2月12日
专知会员服务
16+阅读 · 2021年9月8日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【ICLR2020】图神经网络与图像处理,微分方程,27页ppt
专知会员服务
47+阅读 · 2020年6月6日
专知会员服务
60+阅读 · 2020年3月19日
【快讯】CVPR2020结果出炉,1470篇上榜, 你的paper中了吗?
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
26+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
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2022年2月18日
Arxiv
0+阅读 · 2022年2月18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
26+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
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10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