We study the conservation properties of the Hermite-discontinuous Galerkin (Hermite-DG) approximation of the Vlasov-Maxwell equations. In this semi-discrete formulation, the total mass is preserved independently for every plasma species. Further, an energy invariant exists if central numerical fluxes are used in the DG approximation of Maxwell's equations, while a dissipative term is present when upwind fluxes are employed. In general, traditional temporal integrators might fail to preserve invariants associated with conservation laws (at the continuous or semi-discrete level) during the time evolution. Hence, we analyze the capability of explicit and implicit Runge-Kutta (RK) temporal integrators to preserve such invariants. Since explicit RK methods can only ensure preservation of linear invariants but do not provide any control on the system energy, we develop a novel class of nonlinear explicit RK schemes. The proposed methods can be tuned to preserve the energy invariant at the continuous or semi-discrete level, a distinction that is important when upwind fluxes are used in the discretization of Maxwell's equations since upwind provides a numerical source of energy dissipation that is not present when central fluxes are used. We prove that the proposed methods are able to preserve the energy invariant and to maintain the semi-discrete energy dissipation (if present) according to the discretization of Maxwell's equations. An extensive set of numerical experiments corroborates the theoretical findings. It also suggests that maintaining the semi-discrete energy dissipation when upwind fluxes are used leads to an overall better accuracy of the method relative to using upwind fluxes while forcing exact energy conservation.


翻译:我们研究的是Vlasov-Maxwell等式的赫尔米特不连续的Galerkin(Hermite-DG)近似值的保存特性。 在这种半分解配方中,总质量为每个等离子物种独立保存。 此外,如果在最大韦尔等式的DG近似中使用中央数字通量,而当使用上风通量时,则存在一个消散术语。一般来说,传统的时间整合器可能无法在时间演变期间保存与保护法(连续或半分解水平)相关的变异方程式。因此,我们分析显性和隐含的Ringe-Kutta(RK)时间融合器的能力,以保存这种变异性。由于明确的浓缩方法只能确保线性变异性,但不能对系统能源提供任何控制,因此我们开发了一个新型的非线性直线式的离心计划。 拟议的方法可以在连续或半分解级水平上保持能量的异变异性,因此,我们分析清晰的流- Kutreal devoilal divilational divational 。 当使用时,我们使用的能量流的能量流法是使用时,一个重要的数字变的变的变异性的方法是数字, 当使用时,我们使用的变的变的变的流法是用来的变的变的变的变异性的方法是用来的变的变。

0
下载
关闭预览

相关内容

模型优化基础,Sayak Paul,67页ppt
专知会员服务
75+阅读 · 2020年6月8日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6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