This paper is concerned with the development of suitable numerical method for the approximation of discontinuous solutions of parameter-dependent linear hyperbolic conservation laws. The objective is to reconstruct such approximation, for new instances of the parameter values for any time, from a transformation of pre-computed snapshots of the solution trajectories for new parameter values. In a finite volume setting, a Reconstruct-Transform-Average (RTA) algorithm inspired from the Reconstruct-Evolve-Average one of Godunov's method is proposed. It allows to perform, in three steps, a transformation of the snapshots with piecewise constant reconstruction. The method is fully detailed and analyzed for solving a parameter-dependent transport equation for which the spatial transformation is related to the characteristic intrinsic to the problem. Numerical results for transport equation and linear elastodynamics equations illustrate the good behavior of the proposed approach.


翻译:本文涉及开发适当的数字方法,以近似不连续解决参数依赖线性双曲保护法的近似方法。 目的是重建这种近似方法, 以便从溶解轨迹的预合成快照转换到新参数值, 随时对参数值进行新的实例的切换。 在有限的体积设置中, 提出了一个由Godunov 方法之一的重新构造- 动态- 动态- 视图法所启发的重新构建- 转换- 变异算法( RTA ) 。 它可以分三个步骤对镜进行切换, 并进行节奏常态重建。 该方法经过充分详细分析, 用于解决一个与问题特性相关的、 空间变换的、 以参数为依存的运输方程式。 运输方程式和线形 Elasto 动力方程式的数值结果说明了拟议方法的良好行为 。

0
下载
关闭预览

相关内容

专知会员服务
21+阅读 · 2021年8月23日
专知会员服务
37+阅读 · 2021年6月3日
[CVPR 2021] 序列到序列对比学习的文本识别
专知会员服务
28+阅读 · 2021年4月14日
多标签学习的新趋势(2020 Survey)
专知会员服务
41+阅读 · 2020年12月6日
专知会员服务
60+阅读 · 2020年3月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年11月8日
Arxiv
0+阅读 · 2021年11月5日
Arxiv
0+阅读 · 2021年11月4日
Learning to Importance Sample in Primary Sample Space
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员