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

Technische Samenvatting: Hybride Twee-Niveaus Transportmethode met Oplossingsdecompositie in Macro- en Microcomponenten

Probleemstelling
Het artikel behandelt de computationele uitdaging van het oplossen van de een-groeps stationaire Boltzmann-transportvergelijking. Deterministische methoden bieden convergentie bij verfijning van het rooster, maar lijden aan discretisatiefouten, terwijl stochastische Monte Carlo (MC)-methoden slechts statistische ruis introduceren die afneemt met het aantal deeltjes, maar computationeel duur kunnen zijn vanwege variantie. De auteurs streven ernaar een hybride MC/deterministische benadering te ontwikkelen die de computationele efficiëntie verbetert en de variantie vermindert door de transportoplossing te decomponeren in macroscopische en microscopische componenten.

Methodologie
De voorgestelde methode, de Hybrid Micro-Macro Transport (HMMT) methode genoemd, berust op de decompositie van de angulaire flux $\psi(x, \mu)$ in een macrocomponent $\Psi(x, \mu)$ en een microcomponent $\delta\psi(x, \mu)$:
$$\psi(x, \mu) = \Psi(x, \mu) + \delta\psi(x, \mu)$$

• Macrocomponent: Deze component vangt de grootschalige structuur van de oplossing op. Deze wordt gedefinieerd met behulp van de $P_1$-benadering, waarbij de angulaire flux wordt gereconstrueerd uit de eerste twee angulaire momenten (scalar flux $\phi$ en stroom $J$). Deze momenten worden verkregen door het oplossen van laag-orde quasidiffusie (LOQD) vergelijkingen, ook wel bekend als Variable Eddington Factor (VEF) vergelijkingen. Het LOQD-systeem maakt gebruik van exacte afsluitingen (closures) gedefinieerd door Eddington-factoren en randfactoren.
• Microcomponent: Deze component vertegenwoordigt de fijnmazige afwijkingen van de macro-oplossing. Deze wordt beheerst door een transportvergelijking met een bronterm afgeleid van de macrocomponent. Cruciaal is dat de micro-vergelijking geen verstrooiingsterm bevat; deze wordt opgelost met een Monte Carlo-simulatie.
• Iteratief Oplossingsschema: Het systeem wordt opgelost via een fixed-point iteratieschema (Algoritme 1):
  1. LOQD Oplossen: Met behulp van afsluitingsfactoren ($E, C_L, C_R$) uit de vorige iteratie worden de deterministische LOQD-vergelijkingen opgelost om de macro-momenten ($\phi, J$) bij te werken en $\Psi$ te reconstrueren.
  2. MC Oplossen: De micro-transportvergelijking wordt opgelost met MC. De bronterm voor deze stap wordt geconstrueerd uit de bijgewerkte macro-oplossing. De MC-simulatie gebruikt deeltjes met zowel positieve als negatieve gewichten om de potentieel negatieve brontermen aan te pakken die voortvloeien uit de decompositie.
  3. Afsluiting Bijwerken: De MC-simulatie telt de angulaire momenten van de microcomponent op ($\delta\phi, \delta J$). Deze worden gecombineerd met de macro-momenten om bijgewerkte Eddington- en randfactoren voor de volgende iteratie te berekenen.
  4. Convergentie: Het proces herhaalt zich totdat de scalar flux convergeert binnen een gespecificeerde tolerantie.

Belangrijkste Bijdragen

• Nieuwe Decompositie: Het artikel introduceert een specifieke hybride raamwerk waarbij de macrocomponent strikt wordt gedefinieerd door $P_1$-benaderde momenten afgeleid van LOQD-vergelijkingen, terwijl de microcomponent wordt behandeld als een niet-verstrooiend MC-probleem.
• Exacte Afsluitingen: De methode maakt gebruik van exacte afsluitingen voor de laag-orde vergelijkingen, waarbij de Eddington-factoren dynamisch worden berekend op basis van de som van de macro- en microcomponenten.
• Mechanisme voor Variantiereductie: Door het dominante grootschalige gedrag deterministisch op te lossen en MC alleen te gebruiken voor de resterende microcomponent, beoogt de methode de statistische ruis die inherent is aan pure MC-simulaties te verminderen.

Numerieke Resultaten
De methode werd getest op een heterogeen plaatprobleem met een optisch dikke barrière, waarbij de HMMT-resultaten werden vergeleken met een traditionele MC-oplossing met impliciete capture (IC).

• Nauwkeurigheid: De HMMT-oplossing vertoonde een hogere nauwkeurigheid dan de traditionele MC-oplossing, met name in de bronregio en het subdomein achter de optisch dikke barrière. De $L_2$-norm van de relatieve fout was 0,48 voor HMMT vergeleken met 1,3 voor MC.
• Variantiereductie: De batch-relatieve variantie werd aanzienlijk verminderd in de bronregio en de regio achter de barrière. De HMMT-oplossing vertoonde ongeveer twee orde grootheden minder variantie in de 2-norm vergeleken met de standaard MC-aanpak.
• Convergentie: De methode bereikte bijna theoretische convergentiesnelheden ($O(N^{-1/2})$) met betrekking tot het aantal deeltjes ($N$) en $O(\Delta x)$ met betrekking tot de roostergrootte ($\Delta x$). Bij een hoog aantal deeltjes plateauerde de fout door de discretisatiefout, wat consistent is met de theoretische verwachtingen.
• Efficiëntie (Figure of Merit): De Figure of Merit (FOM) voor de HMMT-methode bleek meer dan 100 keer groter te zijn dan die van de traditionele MC-methode. Deze verbetering wordt toegeschreven aan zowel de verminderde variantie als de verminderde runtime, aangezien het MC-gedeelte van de HMMT-methode geen verstrooiingsgebeurtenissen bevat, die doorgaans het meest computationeel dure deel van transportsimulaties zijn.

Betekenis en Claims
De auteurs beweren dat de HMMT-methode succesvol een reductie in de variantie van de stochastische numerieke oplossing en een significante verbetering in computationele efficiëntie heeft aangetoond vergeleken met standaard MC-algoritmen met impliciete capture. Het artikel positioneert dit werk als een nieuwe hybride benadering voor stationaire transportproblemen. De auteurs merken op dat toekomstig onderzoek zal bestaan uit het analyseren van de methode op diverse testproblemen, het verkennen van verschillende definities van de macrocomponent, het toepassen van andere soorten laag-orde vergelijkingen en het onderzoeken van geavanceerde discretisatieschema's. Dit werk werd ondersteund door het Center for Advancing the Radiation Resilience of Electronics (CARRE).