This paper aims at an accurate and efficient computation of effective quantities, e.g., the homogenized coefficients for approximating the solutions to partial differential equations with oscillatory coefficients. Typical multiscale methods are based on a micro-macro coupling, where the macro model describes the coarse scale behaviour, and the micro model is solved only locally to upscale the effective quantities, which are missing in the macro model. The fact that the micro problems are solved over small domains within the entire macroscopic domain, implies imposing artificial boundary conditions on the boundary of the microscopic domains. A naive treatment of these artificial boundary conditions leads to a first order error in $\varepsilon/\delta$, where $\varepsilon < \delta$ represents the characteristic length of the small scale oscillations and $\delta^d$ is the size of micro domain. This error dominates all other errors originating from the discretization of the macro and the micro problems, and its reduction is a main issue in today's engineering multiscale computations. The objective of the present work is to analyze a parabolic approach, first announced in [A. Abdulle, D. Arjmand, E. Paganoni, C. R. Acad. Sci. Paris, Ser. I, 2019], for computing the homogenized coefficients with arbitrarily high convergence rates in $\varepsilon/\delta$. The analysis covers the setting of periodic micro structure, and numerical simulations are provided to verify the theoretical findings for more general settings, e.g. random stationary micro structures.


翻译:本文旨在准确和高效地计算有效数量, 例如, 以同质系数, 以接近偏差方程式的解决方案 。 典型的多尺度方法以微观- 宏观组合为基础, 宏观模型描述粗缩比例行为, 微观模型只在当地解决, 以提升在宏观模型中缺失的有效数量。 微观问题在整个宏观域内的小域内解决, 意味着在微观域的边界上设置人为的边界条件。 对这些人工边界条件的天真的处理导致以美元/\\ delta$进行第一个顺序错误的校验。 美元/ valebl/ delta$, 其中, 宏观模型描述小尺度振荡的特征长度, $\delta ⁇ d$是微观域的大小。 这个错误支配了所有来自宏观和微观问题分解的微观错误, 并且它的减少是当今工程多级计算中的主要问题。 A和Serqualalalalalalalalalalalalal- dralal- sal- ALal- sal- sal- dal- legalalalalalalalalalal- sal- sal- sal- sal- sal legal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- s legal- sal- legal- sal- sal- sal- sal- sal- sal- sal- sal- sal- sal- leg- sal- sal- sal- sal- sal- sal- sal- sal- al- al- al- al- al- sal- s- al- le- al- sal- al- al- al- al- al- al- al- al- al- al- al- sal- sal- sal- sal- sal- s- s- s- s- s- sal- sal- sal- s- sal- s- s- s- s- s-

0
下载
关闭预览

相关内容

MICRO:IEEE/ACM International Symposium on Microarchitecture Explanation:IEEE/ACM微体系结构国际研讨会。 Publisher:IEEE/ACM。 SIT:https://dblp.uni-trier.de/db/conf/micro/
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29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
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Hyperspherical Variational Auto-Encoders
Arxiv
4+阅读 · 2018年9月26日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29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
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25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
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