The boundary element method (BEM) is an efficient numerical method for simulating harmonic wave scattering. It uses boundary integral formulations of the Helmholtz equation at the interfaces of piecewise homogeneous domains. The discretisation of its weak formulation leads to a dense system of linear equations, which is typically solved with an iterative linear method such as GMRES. The application of BEM to simulating wave scattering at large-scale geometries is only feasible when compression and preconditioning techniques reduce the computational footprint. Furthermore, many different boundary integral equations exist that solve the same boundary value problem. The choice of preconditioner and boundary integral formulation is often optimised for a specific configuration, depending on the geometry, material characteristics, and driving frequency. On the one hand, the design flexibility for the BEM can lead to fast and accurate schemes. On the other hand, efficient and robust algorithms are difficult to achieve without expert knowledge of the BEM intricacies. This study surveys the design of boundary integral formulations for acoustics and their acceleration with operator preconditioners. Extensive benchmarking provide valuable information on the computational characteristics of several hundred different models for multiple scattering and transmission of acoustic wave fields.


翻译:边界要素方法(BEM)是模拟调波散射的有效数字方法,它使用在片状同质域界面上的赫尔莫霍茨方程式的边界组合配方。其微弱配方的分解导致线性方程式的密集系统,通常用迭代线性方法(如GMRES)解决。只有在压缩和先决条件技术减少计算足迹时,才可能应用BEM在大规模地理偏差中模拟波散射。此外,还存在许多不同的边界组合方程式,可以解决相同的边界值问题。根据几何、物质特性和驱动频率,对先决条件方程式和边界组合配方的选取往往为特定配置的优化。一方面,BEM的设计灵活性可导致快速和准确的组合。另一方面,如果没有对BEM的内在复杂性的专业知识,高效和稳健的算法是难以实现的。这项研究调查了声波的边界组合配方及其与操作者前置波的加速度。广泛的基准提供数百个不同模型的计算特性的宝贵信息。

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/
【斯坦福CS224W】图神经网络理论,77页ppt
专知会员服务
48+阅读 · 2021年2月13日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9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
ICLR 2020会议的16篇最佳深度学习论文
AINLP
5+阅读 · 2020年5月12日
计算机 | 中低难度国际会议信息6条
Call4Papers
7+阅读 · 2019年5月16日
计算机 | ISMAR 2019等国际会议信息8条
Call4Papers
3+阅读 · 2019年3月5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
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
Arxiv
0+阅读 · 2021年6月4日
Arxiv
0+阅读 · 2021年6月3日
VIP会员
相关VIP内容
【斯坦福CS224W】图神经网络理论,77页ppt
专知会员服务
48+阅读 · 2021年2月13日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9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
相关资讯
ICLR 2020会议的16篇最佳深度学习论文
AINLP
5+阅读 · 2020年5月12日
计算机 | 中低难度国际会议信息6条
Call4Papers
7+阅读 · 2019年5月16日
计算机 | ISMAR 2019等国际会议信息8条
Call4Papers
3+阅读 · 2019年3月5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
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
Top
微信扫码咨询专知VIP会员