A new implicit-explicit local differential transform method (IELDTM) is derived here for time integration of the nonlinear advection-diffusion processes represented by (2+1)-dimensional Burgers equation. The IELDTM is adaptively constructed as stability preserved and high order time integrator for spatially discretized Burgers equation. For spatial discretization of the model equation, the Chebyshev spectral collocation method (ChCM) is utilized. A robust stability analysis and global error analysis of the IELDTM are presented with respect to the direction parameter \theta. With the help of the global error analysis, adaptivity equations are derived to minimize the computational costs of the algorithms. The produced method is shown to eliminate the accuracy disadvantage of the classical \theta-method and the stability disadvantages of the existing DTM-based methods. Two examples of the Burgers equation in one and two dimensions have been solved via the ChCM-IELDTM hybridization, and the produced results are compared with the literature. The present time integrator has been proven to produce more accurate numerical results than the MATLAB solvers, ode45 and ode15s.


翻译:此处为以(2+1)-维汉堡方程式为代表的非线性对冲反扩散过程的时间整合而产生一种新的隐含局部差分变法(IELDTM),IELDTM是作为空间离散汉堡方程式的稳定性保存和高顺序时间整合器而适应性构造的。对于模型方程式的空间离散,使用了Chebyshev光谱合位法(ChCM),结合了方向参数\theta,对IELDTM进行了稳健的稳定性分析和全球错误分析。在全球错误分析的帮助下,得出适应性方程式,以尽量减少算法的计算成本。所产生的方法显示消除经典\theta-method的准确性劣势以及现有DTM方法的稳定性劣势。一个和两个维度的Burgers方程式的两个实例已经通过CM-IELDTM的混合化得到解决,所产生的结果与文献进行了比较。当前绘图器中的时间已被证明比MATLAMode15和Mode的解算器更精确的数字结果。

0
下载
关闭预览

相关内容

Integration:Integration, the VLSI Journal。 Explanation:集成,VLSI杂志。 Publisher:Elsevier。 SIT:http://dblp.uni-trier.de/db/journals/integration/
专知会员服务
84+阅读 · 2020年12月5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
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Jointly Improving Summarization and Sentiment Classification
黑龙江大学自然语言处理实验室
3+阅读 · 2018年6月12日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年6月17日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Jointly Improving Summarization and Sentiment Classification
黑龙江大学自然语言处理实验室
3+阅读 · 2018年6月12日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员