Strain smoothing methods such as the smoothed finite element methods (S-FEMs) and the strain-smoothed element~(SSE) method have successfully improved the performance of finite elements, and there have been numerous applications of them in finite element analysis. For the sake of efficient applications to large-scale problems, it is important to develop a mathematically and numerically well-elaborated iterative solver for the strain smoothing methods. In this paper, inspired by the spectral properties of the strain smoothing methods, we propose efficient ways of preconditioning for the methods. First, we analyze the spectrums of the stiffness matrices of the edge-based S-FEM and the SSE method. Then, we propose an improved two-level additive Schwarz preconditioner for the strain smoothing methods by modifying local solvers appropriately. For the sake of convenience of implementation, an alternative form of the preconditioner is also proposed by defining the coarse-scale operation in terms of the standard FEM. We verify our theoretical results through numerical experiments.


翻译:平滑的方法,如平滑的有限元素方法(S-FEM)和抽压的元素方法(SSE)成功地改善了有限元素的性能,并且在有限元素分析中应用了这些元素。为了对大规模问题有效应用,必须开发出一个数学和数字完善的超高频解答器,用于缓解松动方法。在本文中,根据松动方法的光谱特性,我们提出了高效的预设方法。首先,我们分析了以边缘为基的S-FEM和SESE方法的僵硬性矩阵的频谱。然后,我们提出了改进的双级添加剂Schwarz 先决条件,通过适当修改当地溶剂来缓解松动方法。为了便于实施,还提出了一种先决条件的替代形式,即根据标准的FEM定义粗略的操作。我们通过数字实验来核实我们的理论结果。

0
下载
关闭预览

相关内容

【课程】纽约大学 DS-GA 1003 Machine Learning
专知会员服务
45+阅读 · 2019年10月29日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
28+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
已删除
将门创投
11+阅读 · 2019年4月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10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
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18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
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Arxiv
0+阅读 · 2021年11月16日
VIP会员
相关VIP内容
【课程】纽约大学 DS-GA 1003 Machine Learning
专知会员服务
45+阅读 · 2019年10月29日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
28+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
相关资讯
已删除
将门创投
11+阅读 · 2019年4月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10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
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18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
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Top
微信扫码咨询专知VIP会员