The finite element method (FEM) and the boundary element method (BEM) can numerically solve the Helmholtz system for acoustic wave propagation. When an object with heterogeneous wave speed or density is embedded in an unbounded exterior medium, the coupled FEM-BEM algorithm promises to combine the strengths of each technique. The FEM handles the heterogeneous regions while the BEM models the homogeneous exterior. Even though standard FEM-BEM algorithms are effective, they do require stabilisation at resonance frequencies. One such approach is to add a regularisation term to the system of equations. This algorithm is stable at all frequencies but also brings higher computational costs. This study proposes a regulariser based on the on-surface radiation conditions (OSRC). The OSRC operators are also used to precondition the boundary integral operators and combined with incomplete LU factorisations for the volumetric weak formulation. The proposed preconditioning strategy improves the convergence of iterative linear solvers significantly, especially at higher frequencies.


翻译:限制元素法(FEM) 和边界元素法(BEM) 可以用数字方式解决用于声波传播的赫尔默尔茨系统。 当一个具有不同波速或密度的物体嵌入一个无约束的外部介质时, FEM-BEM 组合算法承诺将每种技术的优点结合起来。 FEM 处理不同区域,而 BEM 模型则模拟同质外表。即使标准FEM-BEM 算法是有效的,它们的确需要在共振频率上实现稳定。其中一种方法是在方程式系统中添加一个常规化术语。这种算法在所有频率上都稳定,但也带来更高的计算成本。本研究提出了一种基于地表辐射条件(OSRC)的正规化。 OSRC 操作员还被用来为边界整体操作员设定先决条件,并结合体积弱配制的不完全的LU因子化。提议的前提条件战略极大地提高了迭接线求解器的趋同性,特别是在更高的频率上。

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/
机器学习组合优化
专知会员服务
109+阅读 · 2021年2月16日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17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
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16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
Arxiv
0+阅读 · 2022年1月31日
Optimal transport weights for causal inference
Arxiv
0+阅读 · 2022年1月27日
Arxiv
8+阅读 · 2018年11月27日
VIP会员
相关VIP内容
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
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16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