It is well known that the usual mixed method for solving the biharmonic eigenvalue problem by decomposing the operator into two Laplacians may generate spurious eigenvalues on non-convex domains. To overcome this difficulty, we adopt a recently developed mixed method, which decomposes the biharmonic equation into three Poisson equations and still recovers the original solution. Using this idea, we design an efficient biharmonic eigenvalue algorithm, which contains only Poisson solvers. With this approach, eigenfunctions can be confined in the correct space and thereby spurious modes in non-convex domains are avoided. A priori error estimates for both eigenvalues and eigenfunctions on quasi-uniform meshes are obtained; in particular, a convergence rate of $\mathcal{O}({h}^{2\alpha})$ ($ 0<\alpha<\pi/\omega$, $\omega > \pi$ is the angle of the reentrant corner) is proved for the linear finite element. Surprisingly, numerical evidence demonstrates a $\mathcal{O}({h}^{2})$ convergent rate for the quasi-uniform mesh with the regular refinement strategy even on non-convex polygonal domains.


翻译:众所周知, 通过将操作员分解成两个拉普拉西亚, 解决双调性乙基值问题的常用混合方法, 可能会在非康维克斯域产生虚假的乙基值。 为了克服这一困难, 我们采用了最近开发的混合方法, 将双调性方程式分解成三个 Poisson 方程式, 并且仍然恢复原来的解决方案。 使用这个想法, 我们设计了一个有效的双调性乙基值算法, 仅包含 Poisson 解答器 。 有了这个方法, 将机能限制在正确的空间里, 从而避免在非康维克斯域中产生虚假的模式。 对于准统一的 meshes, 我们获得了对双调性值值值和异性功能的先前错误估计; 特别是将 $\ macal{ O} ({ h\\\\\\\\\ alpha} 折合数率( $\ omega >\ pi$\ piefile) 和正线性定性定值值值值 { 基域域域 显示常规的正数证据, 。 在正正正正正正数率 显示, roqmaxxxx rogrogrogev= a rogevcregreg) 。

0
下载
关闭预览

相关内容

专知会员服务
27+阅读 · 2021年7月3日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+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
【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
28+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23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
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年9月23日
VIP会员
相关VIP内容
专知会员服务
27+阅读 · 2021年7月3日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+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
【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
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23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
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4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