We consider a variant of the conventional MsFEM approach with enrichments based on Legendre polynomials, both in the bulk of mesh elements and on their interfaces. A convergence analysis of the approach is presented. Residue-type a posteriori error estimates are also established. Numerical experiments show a significant reduction in the error at a limited additional off-line cost. In particular, the approach developed here is less prone to resonance errors in the regime where the coarse mesh size $H$ is of the order of the small scale $\varepsilon$ of the oscillations.


翻译:我们认为传统的母体FEM方法的一种变体,即常规的母体FEM方法,其浓缩方法以传说多面体为基础,既包括大部分网状元素,也包括其界面。提出了对方法的趋同分析。还确定了后继误差估计数。数字实验表明,以有限的额外离线费用大大减少了错误。特别是,此处制定的方法在粗微网格大小为H$的制度中不太容易发生共振错误,因为粗网格的H美元是振荡的小型数额,即$\varepsilon美元。

0
下载
关闭预览

相关内容

如何撰写一篇好的科研论文?这份22页ppt为你指点一二
专知会员服务
63+阅读 · 2021年7月11日
【KDD 2020】基于互信息最大化的多知识图谱语义融合
专知会员服务
41+阅读 · 2020年9月7日
专知会员服务
60+阅读 · 2020年3月19日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
已删除
将门创投
3+阅读 · 2019年9月4日
ERROR: GLEW initalization error: Missing GL version
深度强化学习实验室
9+阅读 · 2018年6月13日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Arxiv
0+阅读 · 2021年10月20日
VIP会员
相关资讯
已删除
将门创投
3+阅读 · 2019年9月4日
ERROR: GLEW initalization error: Missing GL version
深度强化学习实验室
9+阅读 · 2018年6月13日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Top
微信扫码咨询专知VIP会员