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

Sintesi Tecnica: Un Metodo di Base Ridotta per PDE Paraboliche Basato su una Formulazione Least Squares Spazio-Temporale

Enunciato del Problema
Il documento affronta la sfida di risolvere efficientemente equazioni alle derivate parziali (PDE) paraboliche dipendenti da parametri della forma $y_t + A(\mu)y = f(\mu)$ con condizione iniziale $y(0) = y_0(\mu)$. Gli autori si concentrano su un contesto in cui l'operatore $A(\mu)$ e i dati $f(\mu), y_0(\mu)$ dipendono da un parametro $\mu$ appartenente a un insieme $\mathcal{P}$. Il quadro matematico sottostante assume una tripla di Gelfand $(V(\mu), H, V^*(\mu))$ e cerca soluzioni nello spazio spazio-temporale $W(0, T) := \{v \in L^2(0, T; V(\mu)) \mid v_t \in L^2(0, T; V^*(\mu))\}$.

La sfida specifica affrontata è l'applicazione della Riduzione dell'Ordine del Modello (MOR), specificamente il metodo della Base Ridotta (RB), a questi problemi. I metodi RB standard si basano su formulazioni variazionali con forme bilineari uniformemente coercitive e continue, una proprietà naturalmente presente nei problemi ellittici ma spesso assente nelle formulazioni paraboliche (che sono tipicamente non simmetriche o richiedono condizioni di inf-sup). Gli autori si basano su una recente formulazione spazio-temporale least-squares [HKS23] che assume solo una regolarità minima, con l'obiettivo di estendere questo approccio al caso dipendente dai parametri per sfruttare il robusto quadro teorico dei problemi RB ellittici.

Metodologia
La metodologia proposta segue una strategia "POD-greedy", integrando la Decomposizione Ortogonale Propri (POD) con un algoritmo greedy per la selezione dei parametri.

1. Formulazione Variazionale:
   Gli autori utilizzano un approccio least-squares spazio-temporale. Minimizzano il residuo dell'equazione parabolica nella norma $L^2(0, T; V^*(\mu)) \times H$. Questa minimizzazione porta a una formulazione variazionale: trovare $y \in W(0, T)$ tale che $b(\mu; y, w) = l(\mu; w)$ per ogni $w \in W(0, T)$.
   Fondamentalmente, la forma bilineare risultante $b(\mu; \cdot, \cdot)$ è simmetrica, uniformemente coercitiva e continua. Questa struttura permette agli autori di trattare il problema parabolico utilizzando le tecniche sviluppate per i problemi ellittici parametrizzati.

2. Discretizzazione ad Alta Fedeltà:
   Il problema continuo viene riformulato come un problema di punto di sella e discretizzato utilizzando elementi finiti tensoriali spazio-temporali. Il dominio spaziale utilizza elementi continui con polinomi lineari (CG 1), mentre il dominio temporale impiega elementi continui lineari per lo stato e elementi discontinui costanti (DG 0) per le funzioni di test. Ciò risulta in un sistema lineare ad alta fedeltà $S_d(\mu)\mathbf{x} = \mathbf{s}_d(\mu)$.

3. Costruzione della Base Ridotta:
   Gli spazi di base ridotta $W_L \subset W_d$ e $Q_K \subset Q_d$ sono costruiti utilizzando un algoritmo POD-greedy (Algoritmo 1).

   • Step Greedy: I parametri vengono selezionati da un insieme di addestramento per massimizzare un stimatore dell'errore.
   • Step POD: Le soluzioni ad alta fedeltà per i parametri selezionati vengono raccolte e la POD viene applicata per estrarre una base a bassa dimensionalità che minimizza l'errore di approssimazione nella norma discreta spazio-temporale.
   • Decomposizione Offline-Online: Il metodo sfrutta la separabilità parametrica degli operatori (assumendo che $A(\mu), f(\mu), y_0(\mu)$ possano essere scritti come somme di operatori indipendenti dai parametri pesati da scalari dipendenti dai parametri). Ciò consente di assemblare le matrici del sistema ridotto nella fase online senza ricalcolare gli integrali ad alta dimensionalità.

4. Certificazione (Stima dell'Errore):
   Gli autori derivano stimatori dell'errore assoluto e relativo nella norma discreta $W_d$.

   • Stimatore Teorico ($\eta^*$): Basato sulla norma del rappresentante di Riesz del residuo. Sebbene accurato, richiede la risoluzione di sistemi che non sono completamente decomponibili offline-online.
   • Stimatore Pratico ($\eta_c$): Una variante completamente decomponibile offline-online. Questo comporta la stima della norma del residuo manipolando la formulazione matriciale del prodotto interno e utilizzando costanti di coercitività discrete. Questo stimatore consente una certificazione efficiente durante la fase online.

Contributi Chiave
Il documento apporta tre contributi primari, come indicato nella dichiarazione di novità:

1. Riduzione dell'Ordine del Modello per Formulazioni Least Squares Spazio-Temporali: Estende l'approccio least-squares spazio-temporale (precedentemente applicato a casi non parametrizzati) a PDE paraboliche dipendenti dai parametri con naturale regolarità $W(0, T)$.
2. Stimatori dell'Errore Efficienti: Fornisce stimatori dell'errore assoluto e relativo nella norma $W(0, T)$ discreta che supportano una decomposizione offline-online efficiente, una caratteristica difficile da ottenere nelle formulazioni spazio-temporali.
3. Costruzione POD-Greedy: Implementa un approccio POD-greedy per la costruzione degli spazi di base ridotta specificamente all'interno di questo quadro spazio-temporale simmetrico e coercitivo.

Risultati
Le prestazioni del metodo sono dimostrate attraverso due esempi numerici:

1. Problema Termico 2D: Un benchmark standard con diffusività dipendente dai parametri. I risultati mostrano un decadimento esponenziale dell'errore assoluto rispetto alla dimensione della base ridotta $L$, coerentemente con la teoria RB classica per i problemi ellittici. Si osserva che lo stimatore pratico $\eta_c$ è leggermente meno acuto dello stimatore teorico $\eta^*$, ma rimane efficace.
2. Problema 3D con Regolarità Minima: Un problema tridimensionale più complesso che coinvolge coefficienti di diffusione e termini sorgente discontinui. Nonostante le assunzioni di regolarità minima e la maggiore dimensionalità, il metodo mostra comunque una convergenza esponenziale. Gli autori analizzano le prime funzioni di base POD, notando come catturino le discontinuità ai confini dei sottodomini.
3. Efficienza Computazionale: Un confronto dei tempi computazionali indica che, sebbene la fase offline (inclusi POD e assemblaggio delle matrici) abbia un costo, l'approccio della base ridotta diventa più efficiente della risoluzione dei sistemi completi ad alta fedeltà dopo circa sei risoluzioni ad alta fedeltà.

Significatività e Rivendicazioni
Gli autori affermano che il loro lavoro riesce a colmare il divario tra il robusto quadro teorico dei metodi di base ridotta ellittici e il complesso scenario delle PDE paraboliche con regolarità minima. Utilizzando una formulazione least-squares spazio-temporale simmetrica e coercitiva, evitano le complessità delle condizioni di inf-sup spesso associate ai metodi RB parabolici.

La significatività risiede nella capacità di fornire approssimazioni di base ridotta certificate (con rigorosi limiti di errore assoluto e relativo) per problemi paraboliche utilizzando tecniche standard di decomposizione offline-online. Il documento nota modestamente che, mentre lo stimatore teorico è ottimale, lo stimatore pratico offre un compromesso necessario per l'efficienza computazionale, e che le prestazioni del metodo sono validate attraverso esempi numerici piuttosto che attraverso un'estesa applicazione industriale. Il lavoro stabilisce una base per l'applicazione dei metodi RB a una classe più ampia di problemi dipendenti dal tempo in cui la regolarità naturale è bassa.