We propose a new class of uniformly accurate splitting methods for the Benjamin-Bona-Mahony equation which converge uniformly in the dispersive parameter $\varepsilon$. The proposed splitting schemes are furthermore asymptotic convergent and preserve the KdV limit. We carry out a rigorous convergence analysis of the splitting schemes exploiting the smoothing properties in the system. This will allow us to establish improved error bounds with gain either in regularity (for non smooth solutions) or in the dispersive parameter $\varepsilon$. The latter will be interesting in regimes of a small dispersive parameter. We will in particular show that in the classical BBM case $P(\partial_x) = \partial_x$ our Lie splitting does not require any spatial regularity, i.e, first order time convergence holds in $H^{r}$ for solutions in $H^{r}$ without any loss of derivative. This estimate holds uniformly in $\varepsilon$. In regularizing regimes $\varepsilon=\mathcal{O}(1) $ we even gain a derivative with our time discretisation at the cost of loosing in terms of $\frac{1}{\varepsilon}$. Numerical experiments underline our theoretical findings.


翻译:我们为Benjamin-Bona-Bona-Mahony等式建议了一个新的统一准确的分解方法类别,该类方法在分散参数$\varepsilon$中统一一致。提议的分解方案进一步零散,并保留KdV的界限。我们对利用系统中平滑特性的分解方案进行了严格的趋同分析。这将使我们能够在正常(不顺利的解决办法)或分散参数$\varepsilon$中建立更好的差错界限。在分散参数中,后者对一个小分散参数的体系将很感兴趣。我们特别要表明,在经典的BBM案 $(部分_x) =\部分_x) =\部分_x$ 我们的分解并不要求任何空间规律性,也就是说,在不损耗损任何衍生物的$H*r} 中,第一个顺序趋同时间界限以美元维持。这一估计以$\varepsilonlon$统一。在固定制度中,在小型分散参数制度中将很感兴趣。我们甚至以1美元获得我们时间分化的模型分析结果。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14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
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7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
Arxiv
3+阅读 · 2014年10月9日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7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
Top
微信扫码咨询专知VIP会员