Shape optimisation for adaptive $r$-refinement: the one-dimensional case with residual based error estimators

Technische Samenvatting: Vormoptimalisatie voor Adaptieve r-Verfijning

Probleemstelling
Het artikel behandelt de uitdaging van het nauwkeurig en efficiënt discretiseren van partiële differentiaalvergelijkingen (PDE's), met een specifieke focus op het Poisson-probleem met Dirichlet-randvoorwaarden. Terwijl standaard adaptieve strategieën vaak vertrouwen op $h$-verfijning (lokale verfijning van het rooster) of $p$-verfijning (verhoging van de polynomiale orde), onderzoekt dit werk adaptieve $r$-verfijning. Het doel van $r$-verfijning is om de kwaliteit van de eindelementdiscretisatie te verbeteren door de knopen van een rekenrooster te herpositioneren zonder het aantal vrijheidsgraden of de roostertopologie te wijzigen. De centrale moeilijkheid ligt in het bepalen van de wijze waarop deze knopen verplaatst moeten worden om de discretisatiefout te minimaliseren, met name wanneer de exacte oplossing onbekend is en a posteriori foutschatters gebruikt moeten worden.

Methodologie
De auteurs kaderen het probleem van roosterbeweging binnen de context van computationele vormoptimalisatie.

• Wiskundig Kader: Het domein $\Omega$ wordt behandeld als een referentievorm met een referentrietelatie $\hat{T}$. Roosterbeweging wordt gemodelleerd via een parametrisatiekaart $\Phi$, een bi-Lipschitz afbeelding van het referentiedomein naar het fysieke domein. De ruimte van toegestane afbeeldingen $U$ zorgt ervoor dat het beeld van het rooster een geldige, niet-gedegenereerde tritiatie blijft.
• Optimalisatieformulering: Het probleem wordt geformuleerd als het minimaliseren van een kostenfunctionaal $J(\Phi)$.
  • Theoretisch geval: Aanvankelijk wordt de functionaal gedefinieerd als de ware eindelementfout (bijv. $\|y - y_\Phi\|_{H^1_0}^2$), waarbij $y$ de exacte oplossing is en $y_\Phi$ de discrete oplossing op het rooster gedefinieerd door $\Phi$.
  • Praktisch geval: Omdat de exacte oplossing zelden beschikbaar is, stellen de auteurs een residubaserede a posteriori foutschatter voor als de kostenfunctionaal. In één dimensie is deze schatter vereenvoudigd en afhankelijk van de lokale roostergrootte $h_T$ en het residu van de PDE.
• Algoritme: De auteurs maken gebruik van een standaard Armijo-Goldstein descent methode (Algoritme 1). Dit omvat:
  1. Het berekenen van de vormafgeleide (of gradiënt) van de kostenfunctionaal met betrekking tot de roosterparametrisatie.
  2. Het vinden van een dalingsrichting $U$ die de directionele afgeleide minimaliseert onder beperkingen (bijv. $|DU| \leq 1$).
  3. Het uitvoeren van een line search om een toelaatbare stapgrootte $\alpha_n$ te bepalen die een voldoende afname van de kostenfunctionaal garandeert.
• Differentiabiliteit: Een aanzienlijke technische hindernis die wordt aangepakt, is de differentiabiliteit van de residuschatter, die betrokken is bij roostergroottes ($h_T$) die doorgaans slechts Lipschitz-continu zijn. De auteurs beperken hun analyse tot het ééndimensionale geval om aan te tonen dat de schatter differentieerbaar is en dat de Armijo-voorwaarde kan worden voldaan.

Belangrijkste Bijdragen

1. Formulering van r-Verfijning als Vormoptimalisatie: Het artikel legt een expliciete link tussen adaptieve $r$-verfijning en de theorie van vormoptimalisatie, waarbij bi-Lipschitz afbeeldingen worden gebruikt om de geldigheid van het rooster tijdens beweging te waarborgen.
2. Convergentie van de Geïdealiseerde Methode (Stelling 1): De auteurs bewijzen dat voor een objectieffunctie gebaseerd op de ware fout (in willekeurige dimensies), de Armijo-type descent methode een sequentie van roosters genereert die convergeert naar een stationair punt.
3. Convergentie van de Praktische Methode in 1D (Stelling 2): De meest innovatieve bijdrage is het vaststellen van convergentie voor een volledig berekenbare, residubaserede adaptieve $r$-verfijningsstrategie in één dimensie. Dit omvat het bewijzen van de differentiabiliteit van de residuschatter en het aantonen dat de Armijo-stapgrootte bestaat, wat garandeert dat het algoritme eindigt met een sequentie van roosters waarbij de gradiënt van de schatter nul is.
4. Numerieke Verificatie: Het artikel presenteert numerieke experimenten met lineaire eindelementen op het Poisson-probleem. Deze experimenten verifiëren dat de voorgestelde methode de eindelementbenadering verbetert ten opzichte van uniforme roosters en presteert vergelijkbaar met 'greedy' $h$-verfijningsstrategieën in de geteste 1D-scenario's.

Resultaten

• Convergentie: Theoretische resultaten bevestigen dat de sequentie van roosters gegenereerd door het algoritme convergeert, waarbij de gradiënt van de objectieffunctie naar nul nadert.
• Foutreductie: Numerieke experimenten in één dimensie laten zien dat roosters die geoptimaliseerd zijn met de residuschatter lagere fouten opleveren dan uniforme roosters.
• Vergelijking met h-Verfijning: In de 1D-vergelijking presteert de $r$-verfijningsmethode (gebruikmakend van zowel de ware fout als de residuschatter) vergelijkbaar met een 'greedy' $h$-verfijningsstrategie, waarbij alle methoden beter presteren dan het initiële uniforme rooster.
• 2D Uitbreiding: Hoewel het theoretische convergentiebewijs voor de residubaserede schatter beperkt is tot 1D, presenteren de auteurs 2D numerieke experimenten met de ware fout-functionaal, waarmee wordt aangetoond dat het optimalisatieproces succesvol de fout vermindert en niet-uniforme roosters produceert die de kenmerken van de oplossing beter vatten.

Betekenis en Claims
Het artikel beweert een nieuwe strategie voor adaptieve $r$-verfijning te introduceren door roosterbeweging te plaatsen binnen een computationeel vormoptimalisatiekader. De primaire betekenis ligt in het rigoureuze bewijs van convergentie voor een praktische, residubaserede algoritme in één dimensie. De auteurs merken op dat hoewel $h$- en $p$-verfijning goed begrepen en breed geïmplementeerd zijn, $r$-verfijning het voordeel heeft van een vast rooster, wat efficiënter kan zijn voor hoog-parallelle machines. Het werk demonstreert dat standaard instrumenten voor vormoptimalisatie succesvol kunnen worden aangepast om roosterknopen te bewegen om de discretisatiefout te minimaliseren, wat wordt geverifieerd door numerieke experimenten die de effectiviteit van de methode bij het verbeteren van eindelementbenaderingen aantonen. De auteurs blijven bescheiden en merken op dat de theoretische convergentie van de residubaserede schatter momenteel alleen is vastgesteld voor het ééndimensionale geval, waarbij toekomstig werk gepland is voor hogere dimensies en algemenere vergelijkingen.