Local discontinuous Galerkin FEM for convex minimization

Aquí presento un resumen técnico detallado del artículo "Local Discontinuous Galerkin FEM for Convex Minimization" de Carsten Carstensen y Ngoc Tien Tran, estructurado según los puntos solicitados.

1. Planteamiento del Problema

El artículo aborda el análisis de error a priori y a posteriori para problemas de minimización convexa, específicamente aquellos modelados por ecuaciones tipo $p$-Laplaciano. El problema continuo busca minimizar una energía funcional $E(v)$ definida sobre un espacio de Sobolev $V = W^{1,p}_D(\Omega)$:

$$E(v) := \int_{\Omega} (W(\nabla v) + \psi(x, v)) \, dx$$

donde $W$ es una densidad de energía convexa y $\psi$ es un término de orden inferior.

El desafío central:

• Para métodos de elementos finitos conformes, el análisis de error a priori está bien establecido, proporcionando cotas superiores para la diferencia de energía con tasas de convergencia óptimas (cuadráticas en energía para ciertos casos).
• Para métodos no conformes de alto orden (como los esquemas de Galerkin Discontinuo, DG), las tasas de convergencia probadas históricamente han sido subóptimas. Esto crea un desequilibrio en el principio de "dos energías" utilizado para el control de error a posteriori, donde la estimación del error en la energía discreta no coincide con la precisión esperada de la discretización.

El objetivo es cerrar esta brecha teórica y desarrollar esquemas de Galerkin Discontinuo Local (LDG) que recuperen tasas de convergencia óptimas para la energía, incluso en problemas degenerados con crecimiento $p$.

2. Metodología

Los autores desarrollan una técnica novedosa basada en relaciones de dualidad fuerte a nivel discreto.

• Formulación Dual Discreta:
  Se define un problema dual de maximización en un espacio de ansatz mixto $Y = \{(\tau_M, \tau_F)\}$, donde $\tau_M$ es un campo vectorial y $\tau_F$ representa trazas en las caras. Se introduce una reconstrucción de la divergencia discreta $\text{div}_h$ y un funcional de energía dual $E_h^*$.

• Relación de Dualidad:
  El núcleo de la metodología es probar que, bajo ciertas condiciones de regularidad y estabilización, el mínimo de la energía primal discreta $E_h$ coincide exactamente con el máximo de la energía dual discreta $E_h^*$ (sin brecha de dualidad o con una brecha que desaparece para términos de bajo orden).
  $$\max E_h^*(Y) = \min E_h(V_h)$$

• Estabilización y Parámetros:
  Se utiliza un método LDG modificado con un término de estabilización $s_h(v_h)$ que depende de saltos en las caras. La elección de los parámetros de estabilización $r$ (exponente del salto) y $s$ (potencia del tamaño de malla) es crítica. Los autores demuestran que una elección específica de $s$ (ej. $s = (k+1)(r-2)+1$) equilibra los errores de estabilización en los niveles primal y dual.

• Herramientas Analíticas:

  • Compañero Conforme: Se introduce un operador lineal $J_h$ que mapea funciones no conformes a un espacio conforme, permitiendo utilizar técnicas de análisis estándar.
  • Post-procesamiento: Se construye una aproximación conforme del variable dual (de tipo Raviart-Thomas) mediante la prescripción explícita de grados de libertad, lo que permite obtener cotas de error de energía garantizadas sin resolver problemas locales adicionales.

3. Contribuciones Clave

1. Tasas de Convergencia Óptimas para LDG:
   El artículo establece por primera vez que, para métodos LDG de orden $k$ en problemas de minimización convexa degenerada ($p \ge 2$), la diferencia de energía converge con una tasa cuadrática respecto al tamaño de malla ($O(h^{2k})$). Esto iguala el rendimiento de los métodos conformes, cerrando la brecha teórica existente.

2. Dualidad Fuerte a Nivel Discreto:
   Se demuestra una relación de dualidad exacta entre el problema primal LDG y un problema dual semi-discreto. Esto permite controlar el error en la energía mediante la diferencia entre la energía primal y la dual, evitando las cotas subóptimas anteriores.

3. Control de Error A Posteriori Mejorado:
   Se propone un estimador de error basado en el principio de dos energías ($E(v_C) - E^*(\sigma_{RT})$), donde $\sigma_{RT}$ es una reconstrucción conforme del campo de tensiones. Este estimador es fiable y eficiente, y puede guiar algoritmos de refinamiento adaptativo de malla.

4. Generalización a Métodos Hibridizables:
   La teoría se extiende a métodos híbridos (HDG/WG), mostrando que las relaciones de dualidad se mantienen, aunque con ciertas restricciones en la consistencia polinomial para estabilizaciones específicas (como Lehrenfeld-Schöberl).

4. Resultados Principales

• Convergencia A Priori:
  Bajo supuestos de suavidad adecuados ($u \in W^{k+1,p}$ y $\sigma \in W^{k,p'}$), se prueba que:
  $$|E(u) - \min E_h(V_h)| + (E_h(I_h u) - \min E_h(V_h)) = O(h^{2k}_{\max})$$
  Esto implica también tasas óptimas para el error en las variables primal y dual (ej. $\|\nabla(u-u_h)\|_p = O(h^{2k/p})$ para $p \ge 2$).

• Convergencia A Posteriori y Adaptividad:
  Los experimentos numéricos en dominios con singularidades (dominio en L, esquinas reentrantes) muestran que:

  • En mallas uniformes, las tasas de convergencia son subóptimas debido a la falta de regularidad de la solución.
  • El algoritmo de refinamiento adaptativo de malla, guiado por el estimador de error propuesto, recupera las tasas de convergencia óptimas (lineales o superiores dependiendo del grado polinomial $k$) en términos de los grados de libertad (ndof).

• Casos de Prueba:
  Se validan los resultados en tres benchmarks:

  1. Problema de Diseño Óptimo: Distribución de materiales con dos fases.
  2. Problema 4-Laplaciano: Donde se observa recuperación de tasas óptimas con $k \ge 1$.
  3. Flujo Bingham: Un problema no diferenciable regularizado, donde la adaptividad mejora significativamente la precisión para $k \ge 2$.

5. Significancia

Este trabajo es significativo porque resuelve un problema abierto en el análisis numérico de métodos no conformes de alto orden. Históricamente, los métodos DG para problemas no lineales degenerados sufrían de tasas de convergencia subóptimas en la energía, lo que limitaba su eficiencia en comparación con los métodos conformes.

Al demostrar que es posible lograr tasas óptimas mediante una formulación dual cuidadosa y una estabilización equilibrada, los autores:

• Validan teóricamente el uso de LDG de alto orden para problemas de minimización convexa complejos.
• Proporcionan una herramienta robusta de control de error a posteriori que es esencial para la simulación eficiente en ingeniería y física computacional.
• Ofrecen una guía práctica para la elección de parámetros de estabilización ($s$ y $r$) que maximizan la precisión, recomendando explícitamente configuraciones que equilibran los errores de discretización y estabilización.

En resumen, el artículo transforma el enfoque de los métodos LDG para problemas convexos, pasando de ser una alternativa con garantías de convergencia subóptimas a una metodología capaz de alcanzar la precisión óptima teórica mediante adaptividad inteligente.