In this paper we present three different numerical approaches to account for curl-type involution constraints in hyperbolic partial differential equations for continuum physics. All approaches have a direct analogy to existing and well-known divergence-preserving schemes for the Maxwell and MHD equations. The first method consists in a generalization of the Godunov-Powell terms, which means adding suitable multiples of the involution constraints to the PDE system in order to achieve the symmetric Godunov form. The second method is an extension of the generalized Lagrangian multiplier (GLM) approach of Munz et al., where the numerical errors in the involution constraint are propagated away via an augmented PDE system. The last method is an exactly involution preserving discretization, similar to the exactly divergence-free schemes for the Maxwell and MHD equations, making use of appropriately staggered meshes. We present some numerical results that allow to compare all three approaches with each other.


翻译:在本文中,我们提出了三种不同的数字方法,用于计算连续物理学超曲偏偏偏偏偏差方程式中卷轴型进动限制。所有方法都直接类比了Maxwell和MHD方程式中现有和众所周知的差异保留计划。第一种方法是概括地使用Godunov-Powell术语,这意味着为PDE系统增加适当的变动限制倍数,以实现对称的Godunov形式。第二种方法是扩大Munz等人的Lagrangian乘数(GLM)法(GLM)的延伸,在这个方法中,进化制约中的数字错误通过扩大的PDE系统传播出去。最后一种方法是完全在演进中保持离散化,与Maxwell和MHD方程式完全的无差异计划相似,同时使用适当错开的中间方程式。我们提出了一些数字结果,可以将所有三种方法相互比较。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17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
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
【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
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31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
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
9+阅读 · 2018年5月24日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2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
【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
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31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