Hybrid Two-Level Transport Method with Solution Decomposition in Macro and Micro Components

Technische Zusammenfassung: Hybrides zweistufiges Transportverfahren mit Lösungszerlegung in Makro- und Mikrokomponenten

Problemstellung
Die vorliegende Arbeit befasst sich mit der rechnerischen Herausforderung bei der Lösung der stationären Ein-Gruppen-Boltzmann-Transportgleichung. Während deterministische Methoden mit der Netzverfeinerung konvergieren, aber unter Diskretisierungsfehlern leiden, führen stochastische Monte-Carlo-Methoden (MC) lediglich statistisches Rauschen ein, das mit der Partikelanzahl abnimmt, jedoch aufgrund der Varianz rechenintensiv sein kann. Die Autoren streben die Entwicklung eines hybriden MC/deterministischen Ansatzes an, der die Recheneffizienz verbessert und die Varianz reduziert, indem die Transportlösung in eine makroskopische und eine mikroskopische Komponente zerlegt wird.

Methodik
Die vorgeschlagene Methode, bezeichnet als Hybrid Micro-Macro Transport (HMMT)-Methode, basiert auf der Zerlegung des Winkelflusses $\psi(x, \mu)$ in eine Makrokomponente $\Psi(x, \mu)$ und eine Mikrokomponente $\delta\psi(x, \mu)$:
$$\psi(x, \mu) = \Psi(x, \mu) + \delta\psi(x, \mu)$$

• Makrokomponente: Diese Komponente erfasst die großräumige Struktur der Lösung. Sie wird mittels der $P_1$-Approximation definiert, wobei der Winkelfluss aus den ersten zwei Winkelmomenten (skalarer Fluss $\phi$ und Strom $J$) rekonstruiert wird. Diese Momente werden durch Lösen von Niedrigordnungs-Quasidiffusionsgleichungen (LOQD), auch bekannt als Variable-Eddington-Faktor-Gleichungen (VEF), gewonnen. Das LOQD-System nutzt exakte Abschlüsse, die durch Eddington-Faktoren und Randfaktoren definiert sind.
• Mikrokomponente: Diese Komponente repräsentiert die feinskaligen Abweichungen von der Makrolösung. Sie wird durch eine Transportgleichung mit einem aus der Makrokomponente abgeleiteten Quellterm gesteuert. Entscheidend ist, dass die Mikro-Gleichung keinen Streuterm enthält; sie wird mittels einer Monte-Carlo-Simulation gelöst.
• Iteratives Lösungsverfahren: Das System wird über ein Fixed-Point-Iterationsschema (Algorithmus 1) gelöst:
  1. LOQD-Lösung: Unter Verwendung der Abschlussfaktoren ($E, C_L, C_R$) aus der vorherigen Iteration werden die deterministischen LOQD-Gleichungen gelöst, um die Makromomente ($\phi, J$) zu aktualisieren und $\Psi$ zu rekonstruieren.
  2. MC-Lösung: Die Mikro-Transportgleichung wird mittels MC gelöst. Der Quellterm für diesen Schritt wird aus der aktualisierten Makrolösung konstruiert. Die MC-Simulation verwendet Partikel mit sowohl positiven als auch negativen Gewichten, um die potenziell negativen Quellterme zu handhaben, die aus der Zerlegung resultieren können.
  3. Aktualisierung des Abschlusses: Die MC-Simulation zählt die Winkelmomente der Mikrokomponente ($\delta\phi, \delta J$) auf. Diese werden mit den Makromomenten kombiniert, um aktualisierte Eddington- und Randfaktoren für die nächste Iteration zu berechnen.
  4. Konvergenz: Der Prozess wiederholt sich, bis der skalare Fluss innerhalb einer spezifizierten Toleranz konvergiert.

Wesentliche Beiträge

• Neuartige Zerlegung: Die Arbeit führt einen spezifischen hybriden Rahmen ein, bei dem die Makrokomponente strikt durch $P_1$-approximierte Momente definiert ist, die aus LOQD-Gleichungen abgeleitet wurden, während die Mikrokomponente als nicht-streuendes MC-Problem behandelt wird.
• Exakte Abschlüsse: Die Methode verwendet exakte Abschlüsse für die Niedrigordnungs-Gleichungen, wobei die Eddington-Faktoren dynamisch basierend auf der Summe der Makro- und Mikrokomponente berechnet werden.
• Varianzreduktionsmechanismus: Durch die deterministische Lösung des dominanten großräumigen Verhaltens und die Nutzung von MC nur für die verbleibende Mikrokomponente zielt die Methode darauf ab, das inhärente statistische Rauschen reiner MC-Simulationen zu reduzieren.

Numerische Ergebnisse
Die Methode wurde an einem heterogenen Slab-Problem mit einer optisch dicken Barriere getestet, wobei die HMMT-Ergebnisse gegen eine traditionelle MC-Lösung mit impliziter Absorption (IC) verglichen wurden.

• Genauigkeit: Die HMMT-Lösung zeigte eine höhere Genauigkeit als die traditionelle MC-Lösung, insbesondere in der Quellregion und im Subdomänenbereich hinter der optisch dicken Barriere. Die $L_2$-Norm des relativen Fehlers betrug 0,48 für HMMT im Vergleich zu 1,3 für MC.
• Varianzreduktion: Die Batch-Relativvarianz wurde in der Quellregion und in der Region hinter der Barriere signifikant reduziert. Die HMMT-Lösung wies eine etwa zwei Größenordnungen geringere Varianz in der 2-Norm auf als der Standard-MC-Ansatz.
• Konvergenz: Die Methode erreichte nahezu theoretische Konvergenzraten von $O(N^{-1/2})$ in Bezug auf die Partikelanzahl ($N$) und $O(\Delta x)$ in Bezug auf die Netzgröße ($\Delta x$). Bei hohen Partikelzahlen stagnierte der Fehler aufgrund des Diskretisierungsfehlers, was im Einklang mit den theoretischen Erwartungen steht.
• Effizienz (Figure of Merit): Die Figure of Merit (FOM) für die HMMT-Methode war über 100 Mal höher als die der traditionellen MC-Methode. Diese Verbesserung ist sowohl auf die reduzierte Varianz als auch auf die reduzierte Laufzeit zurückzuführen, da der MC-Teil der HMMT-Methode keine Streuereignisse beinhaltet, welche typischerweise den rechenintensivsten Teil von Transportsimulationen darstellen.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die HMMT-Methode erfolgreich eine Reduktion der Varianz der stochastischen numerischen Lösung und eine signifikante Verbesserung der Recheneffizienz im Vergleich zu Standard-MC-Algorithmen mit impliziter Absorption demonstriert. Die Arbeit positioniert diese Arbeit als einen neuen hybriden Ansatz für stationäre Transportprobleme. Die Autoren merken an, dass zukünftige Forschung die Analyse der Methode an verschiedenen Testproblemen, die Untersuchung verschiedener Definitionen der Makrokomponente, die Anwendung anderer Arten von Niedrigordnungs-Gleichungen und die Untersuchung fortgeschrittener Diskretisierungsschemata beinhalten wird. Die Arbeit wurde vom Center for Advancing the Radiation Resilience of Electronics (CARRE) unterstützt.