Resumen Técnico: Enriquecimiento Variacional de Espacios de Elementos Finitos Adaptativos Más Allá de los Polinomios

1. Planteamiento del Problema

Los métodos de elementos finitos (FEM) adaptativos controlan tradicionalmente el error de aproximación mediante el refinamiento de la malla ($h$-refinamiento) o el aumento del grado polinómico local ($p$-refinamiento). Si bien estas estrategias son efectivas para la localización geométrica o la suavidad polinómica, resultan ineficientes cuando las soluciones poseen características no polinómicas coherentes, tales como perfiles transportados, capas de interfaz, coordenadas adaptadas a coeficientes o fases oscilatorias. Tales características suelen admitir descripciones analíticas cortas, pero requieren excesivas coordenadas polinómicas por partes para ser resueltas.

El problema central abordado es si funciones económicas de clases de aproximación más ricas y no polinómicas pueden ser admitidas como enriquecimientos de Galerkin opcionales y, crucialmente, si su valor puede compararse con las acciones ordinarias de $h$ y $p$ sin conocer la solución exacta. Las teorías existentes manejan la convergencia adaptativa $h$, la estimación de residuos $hp$ y los métodos de partición de la unidad, pero ha faltado una escala variacional de referencia común para comparar los refinamientos ordinarios contra funciones no polinómicas candidatas. Además, la combinación de familias de enriquecimiento heterogéneas suele conducir a coeficientes redundantes o mal condicionamiento, incluso si las funciones representadas son estables.

2. Metodología

El artículo introduce el Enriquecimiento Variacional, un marco que añade una acción-$c$ opcional: una macrofunción física conforme con una representación compacta (por ejemplo, coordenadas armónicas, perfiles transportados o composiciones). La metodología se basa en tres pilares matemáticos para asegurar la estabilidad, la eliminación de la redundancia y la evaluación de la utilidad:

2.1 Espacios Enriquecidos Conformes y Preservación Exacta

El método construye espacios anidados $V_m = V_1(\mathcal{T}_m) + \text{span}(\mathcal{M}_m)$, donde $\mathcal{M}_m$ contiene macrofunciones compactas. Un requisito clave es la preservación exacta: cuando la malla se refina ($h$-refinamiento), las funciones de enriquecimiento aceptadas deben seguir representando exactamente las mismas funciones físicas. Esto asegura la monotonicidad del objetivo de Galerkin y evita que los errores sucesivos comparen funciones distintas.

2.2 Estabilidad de Cociente–Schur y Eliminación de Redundancia

Para abordar la redundancia y el mal condicionamiento al añadir nuevas funciones, el marco emplea un análisis de Cociente–Schur:

• Cocientar: Los coeficientes que representan la misma función (o funciones que ya están en el espacio actual) se identifican y eliminan.
• Complemento de Schur: La parte genuinamente nueva de un enriquecimiento propuesto se aisla mediante un complemento de Schur generalizado ($R_\ell = (I - P_{\ell-1})S_\ell$).
• Estabilidad: La teoría garantiza que, en los espacios de coeficientes cociente, el operador de Gram de energía permanece uniformemente acotado e invertible, asegurando que las perturbaciones de los coeficientes tengan efectos funcionales controlados.

2.3 Ganancia Variacional Exacta y Control de Error

La utilidad de un enriquecimiento propuesto se mide por su Ganancia Variacional Exacta:

• Identidad de Ganancia: Para problemas simétricos coercitivos, la disminución en el error de energía al adjuntar un bloque de funciones viene dada por $\langle b, D^\dagger b \rangle$, donde $b$ es el residuo proyectado sobre la nueva dirección y $D$ es el operador de Gram de la nueva dirección. Esta cantidad es computable sin la solución exacta.
• Límites de Error: Un Majorante de Flujo de Cociente proporciona un límite superior garantizado e independiente de la referencia para el error de energía restante.
• Clasificación Segura ante Perturbaciones: Para manejar el ensamblaje inexacto y la cuadratura, el método utiliza márgenes de perturbación para asegurar que la clasificación de los candidatos siga siendo fiable a pesar del ruido numérico.

2.4 Algoritmo Adaptativo

El algoritmo adaptativo (Algoritmo 3.1) itera entre resolver, estimar el error mediante el majorante de flujo y seleccionar el siguiente enriquecimiento. Compara candidatos $h$, $p$ y $c$ en una escala común:

1. Generar candidatos ($h$, $p$ o $c$).
2. Proyectar los candidatos sobre el complemento ortogonal del espacio actual (cocientar).
3. Calcular la ganancia variacional exacta y aplicar márgenes de perturbación.
4. Seleccionar el candidato con la mayor ganancia garantizada por unidad de costo.
5. Detenerse cuando el majorante de flujo caiga por debajo de una tolerancia.

3. Contribuciones Clave

1. Una Escala Variacional Común: El artículo establece un marco libre de referencias para comparar refinamientos ordinarios $h/p$ contra funciones no polinómicas compactas arbitrarias.
2. Teoría de Cociente–Schur: Proporciona un mecanismo para eliminar el contenido redundante y asegurar la estabilidad al combinar familias de enriquecimiento heterogéneas, aislando la dirección funcional "genuinamente nueva".
3. Identidad de Ganancia Exacta: Deriva una fórmula exacta para la reducción del error de energía lograda por un enriquecimiento candidato, permitiendo la selección adaptativa sin una solución de referencia.
4. Integración Algorítmica: Acopla estas herramientas teóricas en un algoritmo adaptativo práctico que equilibra la compresión de la representación con un control de error fiable.

4. Resultados Numéricos

La metodología fue evaluada en medios heterogéneos, coeficientes estocásticos, dominios irregulares y problemas de transporte.

4.1 Flujo de Darcy Heterogéneo (SPE10)

• Modelo 1: En once casos de carga de capa prescritos, las funciones adaptadas al coeficiente ($pc$) mejoraron respecto al enriquecimiento polinómico ($p$) al mismo nivel de dimensión en todos los casos.
  • Pozos Diagonales: Logró una reducción del 41.6% en el error de energía relativo comparado con el refinamiento $p$ al mismo nivel de dimensión.
  • Dimensionalidad: Para alcanzar un error de $\approx 0.48$, el método $pc$ requirió 42 coordenadas intrínsecas, mientras que los métodos adaptativos $P1$ y $P2$ requirieron 71 y 130 coordenadas, respectivamente (reducciones de 41% y 68%).
  • Escalabilidad: En un estudio de escalado conforme, el método $hc$ ahorró hasta un 24.9% en dimensión intrínseca y un 45.6% en elementos/trabajo de cuadratura comparado con $hp$, lo que se traduce en una aceleración de 2.31 veces en tiempo de ejecución en resoluciones mayores.
• Modelo 2: En formaciones canalizadas (Tarbert y Upper Ness), el método $pc$ mejoró todos los ocho casos de carga de capa, con reducciones de error que oscilaron entre 0.5% y 29.1%.
• Controles Desajustados: El uso de coordenadas derivadas de un campo de permeabilidad desplazado o independiente resultó consistentemente peor que el refinamiento $p$, confirmando que las ganancias dependen de la compatibilidad del operador, no solo de cambios arbitrarios de coordenadas.

4.2 Permeabilidad Estocástica

En un conjunto de Darcy estocástico con campos de permeabilidad lognormal, el espacio combinado ($pc$) mejoró respecto a $p$ en 5 de 6 realizaciones, con una mejora relativa mediana del 15.6%. Un caso mostró una ganancia negativa, ilustrando que la selección codiciosa (greedy) con presupuesto finito puede excluir ocasionalmente caminos mejores en el futuro, lo que requiere estrategias de mirada hacia adelante (look-ahead) de bloque para la optimalidad global.

4.3 Dominios Irregulares

En dominios en forma de L y perforados, el método espectral $hc$ logró un error de energía post-hoc más bajo y una dimensión intrínseca menor que $hp$ en los 18 casos pareados a un objetivo certificado común. El majorante de flujo se mantuvo agudo (efectividad mediana de 1.043).

4.4 Validación

• Precisión de la Ganancia: La ganancia variacional predicha coincidió con la disminución del error cuadrático realizado con una discrepancia relativa de $4.8 \times 10^{-14}$.
• Límites de Error: El majorante de flujo proporcionó límites superiores garantizados sin supuestos de saturación.

5. Significado y Reivindicaciones

El artículo sostiene que el enriquecimiento variacional ofrece una interfaz matemática general para extender los espacios de elementos finitos más allá de los polinomios manteniendo las salvaguardas del FEM adaptativo clásico.

• Enriquecimiento Selectivo: El método no añade funciones no polinómicas a ciegas. Utiliza el residuo variacional y las pruebas de cociente para aceptar una función solo si captura una estructura coherente y no resuelta alineada con el operador de la EDP. Si tal estructura no existe, el método recurre al refinamiento ordinario $h$ o $p$.
• Compresión vs. Velocidad: La contribución principal es la compresión de la aproximación (reduciendo la dimensión intrínseca y el costo de representación) con garantías de error intrínsecas. Aunque se observaron aceleraciones en la velocidad del solver en regímenes de escalado específicos debido a la reducción de grados de libertad, el artículo establece explícitamente que el método no es un solver lineal universalmente más rápido; su valor reside en la eficiencia del propio espacio de aproximación.
• Generalidad: El marco no está ligado a una clase específica de EDP o familia de funciones. Se aplica a formulaciones de Galerkin y de mínimos residuos siempre que las funciones admisibles y sus residuos puedan evaluarse.
• Relación con Métodos Multiescala: El trabajo se distingue de métodos como GMsFEM o LOD al proporcionar una regla de selección en lugar de una construcción específica. Permite que los bloques multiescala localizados compitan con $h$ y $p$ sobre una base común y fiable, reconociendo que, si bien las bases multiescala globales ideales pueden ser más compactas, la regla de selección variacional propuesta es una alternativa práctica y adaptativa.

En conclusión, el artículo demuestra que las clases de aproximación más ricas pueden introducirse sin renunciar a la representación estable, al control de error fiable o al método $hp$ establecido, siempre que la novedad, la utilidad y la redundancia se separen rigurosamente mediante el análisis de cociente–Schur y las identidades de ganancia variacional.