A posteriori upper and lower bounds are derived for the linear finite element method (FEM) for the Helmholtz equation with large wave number. It is proved rigorously that the standard residual type error estimator seriously underestimates the true error of the FE solution for the mesh size $h$ in the preasymptotic regime, which is first observed by Babu\v{s}ka, et al. for an one dimensional problem. By establishing an equivalence relationship between the error estimators for the FE solution and the corresponding elliptic projection of the exact solution, an adaptive algorithm is proposed and its convergence and quasi-optimality are proved under condition that $k^3h_0^{1+\al}$ is sufficiently small, where $h_0$ is the initial mesh size and $\frac12<\al\le 1$ is a regularity constant depending on the maximum reentrant angle of the domain. Numerical tests are given to verify the theoretical findings and to show that the adaptive continuous interior penalty finite element method (CIP-FEM) with appropriately selected penalty parameters can greatly reduce the pollution error and hence the residual type error estimator for this CIP-FEM is reliable and efficient even in the preasymptotic regime.


翻译:对于具有大波数的Helmholtz方程式的线性限值元素法(FEM),测出一个后端和下端界限。严格地证明,标准的剩余类型误差估计器严重低估了Preasimptatroty系统中网域大小$h$的FE解决方案的真正错误,而Babu\v{s}ka等人首先观察到了这个系统,而Babu\v{s}ka等人则观察到了一个维度问题。通过在FE解决方案的误差估计器与对应的对精确解决方案的流性预测之间建立等值关系,提出了适应性算法,并在以下条件下证明了其趋同性和准优化性:$k&3h_0 ⁇ 1 ⁇ 1 ⁇ al}美元是足够小的,而$h_0$是初始网格大小,$\frac12 ⁇ al\le 1$是固定不变的,取决于域的最大再entrant角度。给营养测试是为了核实理论结果,并表明适应性持续内定值定值元素法方法(CIP-FEMreasireal)在适当选择的精度误差中可以大大降低。

0
下载
关闭预览

相关内容

【KDD2021】图神经网络,NUS- Xavier Bresson教授
专知会员服务
63+阅读 · 2021年8月20日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
110+阅读 · 2020年5月15日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
61+阅读 · 2020年3月4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
Normalizing Flows入门(上)
AINLP
8+阅读 · 2020年8月1日
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年12月20日
Arxiv
3+阅读 · 2017年12月1日
VIP会员
相关资讯
Normalizing Flows入门(上)
AINLP
8+阅读 · 2020年8月1日
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4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