We construct and analyze a CutFEM discretization for the Stokes problem based on the Scott-Vogelius pair. The discrete piecewise polynomial spaces are defined on macro-element triangulations which are not fitted to the smooth physical domain. Boundary conditions are imposed via penalization through the help of a Nitsche-type discretization, whereas stability with respect to small and anisotropic cuts of the bulk elements is ensured by adding local ghost penalty stabilization terms. We show stability of the scheme as well as a divergence--free property of the discrete velocity outside an $O(h)$ neighborhood of the boundary. To mitigate the error caused by the violation of the divergence-free condition, we introduce local grad-div stabilization. The error analysis shows that the grad-div parameter can scale like $O(h^{-1})$, allowing a rather heavy penalty for the violation of mass conservation, while still ensuring optimal order error estimates.


翻译:我们根据Scott-Vogelius 配对制成并分析Stokes问题的CutFEM离散。 离散的片断多米空间被定义为与平滑的物理域不相容的宏观元素三角。 边界条件是通过尼采型离散帮助处罚的方式强制实施的, 而通过添加当地幽灵惩罚稳定条款来确保大宗元素的小型和厌食性削减的稳定性。 我们显示了计划的稳定性以及边界区区区区外离散速度的无差异性。 为了减轻因违反差异性条件而造成的错误,我们引入了本地梯度- div 稳定。 错误分析显示, 梯度参数可以像 $O (h)-1} 那样, 允许对违反大规模保护的行为处以相当严厉的处罚, 同时仍然确保最佳的秩序错误估计 。

0
下载
关闭预览

相关内容

NeurIPS 2021 | 寻找用于变分布泛化的隐式因果因子
专知会员服务
15+阅读 · 2021年12月7日
NeurIPS 2021 | 用简单的梯度下降算法逃离鞍点
专知会员服务
23+阅读 · 2021年12月6日
【NeurIPS2020-北大】非凸优化裁剪算法的改进分析
专知会员服务
28+阅读 · 2020年10月11日
专知会员服务
39+阅读 · 2020年9月6日
专知会员服务
61+阅读 · 2020年3月4日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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 Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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 Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
Top
微信扫码咨询专知VIP会员