The quadrature error associated with a regular quadrature rule for evaluation of a layer potential increases rapidly when the evaluation point approaches the surface and the integral becomes nearly singular. Error estimates are needed to determine when the accuracy is insufficient and a more costly special quadrature method should be utilized. The final result of this paper are such quadrature error estimates for the composite Gauss-Legendre rule and the global trapezoidal rule, when applied to evaluate layer potentials defined over smooth curved surfaces in R^3. The estimates have no unknown coefficients and can be efficiently evaluated given the discretization of the surface, invoking a local one-dimensional root-finding procedure. They are derived starting with integrals over curves, using complex analysis involving contour integrals, residue calculus and branch cuts. By complexifying the parameter plane, the theory can be used to derive estimates also for curves in in R^3. These results are then used in the derivation of the estimates for integrals over surfaces. In this procedure, we also obtain error estimates for layer potentials evaluated over curves in R^2. Such estimates combined with a local root-finding procedure for their evaluation were earlier derived for the composite Gauss-Legendre rule for layer potentials written on complex form [4]. This is here extended to provide quadrature error estimates for both complex and real formulations of layer potentials, both for the Gauss-Legendre and the trapezoidal rule. Numerical examples are given to illustrate the performance of the quadrature error estimates. The estimates for integration over curves are in many cases remarkably precise, and the estimates for curved surfaces in R^3 are also sufficiently precise, with sufficiently low computational cost, to be practically useful.


翻译:当评价点接近表层和整体体时,与评估层潜力的定期二次曲线规则有关的二次误差会迅速增加,当评价点接近表面和整体体时,估计数会迅速增加。需要错误估计,以确定准确性不足和应使用更昂贵的特殊二次曲线方法时,本文件的最终结果是复合高斯-Legendre规则和全球捕猎规则的二次误差估计数,用于评价平滑曲线表面的平滑曲线表面所定义的层潜力时。 估计数没有未知系数,而且鉴于表层的离散,可以有效评估这些估计数,并援引当地一维根根根调查程序。这些估计数是从曲线的内含整体值开始,使用涉及等离子内、残余的计算和分支切割的复杂分析方法。如果将参数平面规则规则的复合图层的估算也用这些理论来得出估计数,那么,为了对地表表面的精度和层的精确性能的精确性能的估算,这种精确性能的估算是用来对地表层进行精确性推的。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
【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
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
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28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
16+阅读 · 2018年12月24日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
1+阅读 · 2022年4月18日
Arxiv
23+阅读 · 2022年2月24日
VIP会员
相关VIP内容
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
【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
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
相关资讯
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28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
16+阅读 · 2018年12月24日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员