A reduced basis method for parabolic PDEs based on a space-time least squares formulation

Resumen Técnico: Un Método de Base Reducida para EDPs Parabólicas Basado en una Formulación de Mínimos Cuadrados Espacio-Temporales

Planteamiento del Problema
El artículo aborda el desafío de resolver eficientemente ecuaciones diferenciales parciales (EDPs) parabólicas dependientes de parámetros de la forma $y_t + A(\mu)y = f(\mu)$ con la condición inicial $y(0) = y_0(\mu)$. Los autores se centran en un escenario donde el operador $A(\mu)$ y los datos $f(\mu), y_0(\mu)$ dependen de un parámetro $\mu$ perteneciente a un conjunto $\mathcal{P}$. El marco matemático subyacente asume una terna de Gelfand $(V(\mu), H, V^*(\mu))$ y busca soluciones en el espacio espacio-temporal $W(0, T) := \{v \in L^2(0, T; V(\mu)) \mid v_t \in L^2(0, T; V^*(\mu))\}$.

El desafío específico abordado es la aplicación de la Reducción de Orden de Modelo (MOR), específicamente el método de Base Reducida (RB), a estos problemas. Los métodos RB estándar dependen de formulaciones variacionales con formas bilineales uniformemente coercitivas y continuas, una propiedad que se encuentra naturalmente en los problemas elípticos pero que suele faltar en las formulaciones parabólicas (que suelen ser no simétricas o requieren condiciones inf-sup). Los autores se basan en una reciente formulación de mínimos cuadrados espacio-temporales [HKS23] que asume una regularidad mínima, con el objetivo de extender esto al caso dependiente de parámetros para aprovechar el robusto marco teórico de los métodos RB elípticos.

Metodología
La metodología propuesta sigue una estrategia "POD-greedy", integrando la Descomposición de Órdenes Propios (POD) con un algoritmo de selección de parámetros tipo greedy.

1. Formulación Variacional:
   Los autores utilizan un enfoque de mínimos cuadrados espacio-temporales. Minimizan el residuo de la ecuación parabólica en la norma $L^2(0, T; V^*(\mu)) \times H$. Esta minimización conduce a una formulación variacional: hallar $y \in W(0, T)$ tal que $b(\mu; y, w) = l(\mu; w)$ para todo $w \in W(0, T)$.
   Crucialmente, la forma bilineal resultante $b(\mu; \cdot, \cdot)$ es simétrica, uniformemente coercitiva y continua. Esta estructura permite a los autores tratar el problema parabólico utilizando técnicas desarrolladas para problemas elípticos parametrizados.

2. Discretización de Alta Fidelidad:
   El problema continuo se reformula como un problema de punto de silla y se discretiza utilizando elementos finitos tensoriales espacio-temporales. El dominio espacial utiliza elementos continuos de orden 1 (CG 1), mientras que el dominio temporal emplea elementos continuos lineales para el estado y elementos discontinuos de orden 0 (DG 0) para las funciones de prueba. Esto resulta en un sistema lineal de alta fidelidad $S_d(\mu)\mathbf{x} = \mathbf{s}_d(\mu)$.

3. Construcción de la Base Reducida:
   Los espacios de base reducida $W_L \subset W_d$ y $Q_K \subset Q_d$ se construyen mediante un algoritmo POD-greedy (Algoritmo 1).

   • Paso Greedy: Se seleccionan parámetros de un conjunto de entrenamiento para maximizar un estimador de error.
   • Paso POD: Se recolectan las soluciones de alta fidelidad para los parámetros seleccionados, y se aplica POD para extraer una base de baja dimensión que minimice el error de aproximación en la norma espacio-temporal discreta.
   • Descomposición Offline-Online: El método explota la separabilidad paramétrica de los operadores (asumiendo que $A(\mu), f(\mu), y_0(\mu)$ pueden escribirse como sumas de operadores independientes del parámetro ponderados por escalares dependientes del parámetro). Esto permite que las matrices del sistema reducido se ensamblen en la fase online sin necesidad de recomputar integrales de alta dimensión.

4. Certificación (Estimación de Error):
   Los autores derivan estimadores de error absolutos y relativos en la norma discreta $W_d$.

   • Estimador Teórico ($\eta^*$): Basado en la norma del representante de Riesz del residuo. Aunque es preciso, requiere resolver sistemas que no son completamente decomponibles offline-online.
   • Estimador Práctico ($\eta_c$): Una variante totalmente decomponible offline-online. Esto implica estimar la norma del residuo manipulando la formulación matricial del producto interno y utilizando constantes de coercitividad discretas. Este estimador permite una certificación eficiente durante la fase online.

Contribuciones Clave
El artículo realiza tres contribuciones principales, según la declaración de novedad:

1. Reducción de Orden de Modelo para Formulaciones de Mínimos Cuadrados Espacio-Temporales: Extiende el enfoque de mínimos cuadrados espacio-temporales (previamente aplicado a casos no parametrizados) a las EDPs parabólicas dependientes de parámetros con regularidad natural $W(0, T)$.
2. Estimadores de Error Eficientes: Proporciona estimadores de error absolutos y relativos en la norma $W(0, T)$ discreta que admiten una descomposición offline-online eficiente, una característica difícil de lograr en formulaciones espacio-temporales.
3. Construcción POD-Greedy: Implementa un enfoque POD-greedy para la construcción de los espacios de base reducida específicamente dentro de este marco espacio-temporal simétrico y coercitivo.

Resultados
El rendimiento del método se demuestra mediante dos ejemplos numéricos:

1. Problema de Bloque Térmico 2D: Un caso de prueba estándar con difusividad dependiente de parámetros. Los resultados muestran una caída exponencial del error absoluto con respecto a la dimensión de la base reducida $L$, consistente con la teoría clásica de RB para problemas elípticos. Se observa que el estimador práctico $\eta_c$ es ligeramente menos agudo que el estimador teórico $\eta^*$, pero sigue siendo efectivo.
2. Problema 3D con Regularidad Mínima: Un problema tridimensional más complejo que involucra coeficientes de difusión y términos fuente discontinuos. A pesar de las suposiciones de regularidad mínima y la mayor dimensionalidad, el método sigue exhibiendo una convergencia exponencial. Los autores analizan las primeras funciones de base POD, señalando que capturan las discontinuidades en los límites de los subdominios.
3. Eficiencia Computacional: Una comparación de los tiempos de computación indica que, si bien la fase offline (incluyendo POD y el ensamblaje de matrices) tiene un costo, el enfoque de base reducida se vuelve más eficiente que resolver los sistemas completos de alta fidelidad después de aproximadamente seis resoluciones de alta fidelidad.

Significancia y Reivindicaciones
Los autores afirman que su trabajo logra cerrar la brecha entre el robusto marco teórico de los métodos de base reducidos elípticos y el desafiante entorno de las EDPs parabólicas con regularidad mínima. Al utilizar una formulación de mínimos cuadrados espacio-temporales simétrica y coercitiva, evitan las complejidades de las condiciones inf-sup asociadas frecuentemente con los métodos RB parabólicos.

La significancia radica en la capacidad de proporcionar aproximaciones de base reducida certificadas (con límites de error absolutos y relativos rigurosos) para problemas parabólicos utilizando técnicas estándar de descomposición offline-online. El artículo señala modestamente que, si bien el estimador teórico es óptimo, el estimador práctico ofrece un compromiso necesario para la eficiencia computacional, y que el rendimiento del método se valida a través de ejemplos numéricos en lugar de una aplicación industrial extensa. El trabajo establece una base para aplicar los métodos RB a una clase más amplia de problemas dependientes del tiempo donde la regularidad natural es baja.