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

技术摘要：具有宏观与微观分量解分解的混合两级传输方法

问题陈述
本文解决了求解一群稳态波尔兹曼传输方程的计算挑战。虽然确定性方法可以通过网格加密实现收敛，但存在离散误差；而随机蒙特卡洛（MC）方法仅引入统计噪声（该噪声随粒子数增加而减小），但由于方差问题，其计算成本可能非常高昂。作者旨在开发一种混合 MC/确定性方法，通过将传输解分解为宏观和微观分量，从而提高计算效率并降低方差。

方法论
所提出的方法被称为混合微-宏观传输（HMMT）方法，它依赖于将角通量 $\psi(x, \mu)$ 分解为一个宏观分量 $\Psi(x, \mu)$ 和一个微观分量 $\delta\psi(x, \mu)$：
$$\psi(x, \mu) = \Psi(x, \mu) + \delta\psi(x, \mu)$$

• 宏观分量： 该分量捕捉解的大尺度结构。它使用 $P_1$ 近似进行定义，其中角通量由前两个角矩（标量通量 $\phi$ 和流密度 $J$）重建。这些矩通过求解低阶准扩散（LOQD）方程（也称为可变爱丁顿因子（VEF）方程）获得。LOQD 系统利用由爱丁顿因子和边界因子定义的精确闭合关系。
• 微观分量： 该分量代表了相对于宏观解的细尺度偏差。它受一个带有源项（源自宏观分量）的传输方程控制。至关重要的是，微观方程不包含散射项；它使用蒙特卡洛模拟进行求解。
• 迭代求解方案： 系统通过不动点迭代方案（算法 1）进行求解：
  1. LOQD 求解： 使用前一次迭代的闭合因子（$E, C_L, C_R$），求解确定性 LOQD 方程以更新宏观矩（$\phi, J$）并重建 $\Psi$。
  2. MC 求解： 使用 MC 求解微观传输方程。此步骤的源项由更新后的宏观解构建。MC 模拟使用正权重和负权重的粒子，以处理分解过程中可能产生的负源项。
  3. 闭合更新： MC 模拟统计微观分量的角矩（$\delta\phi, \delta J$）。将这些矩与宏观矩结合，以计算用于下一次迭代的更新爱丁顿因子和边界因子。
  4. 收敛： 重复该过程，直到标量通量在指定的容差范围内收敛。

主要贡献

• 新颖的分解方式： 本文引入了一种特定的混合框架，其中宏观分量严格由基于 LOQD 方程的 $P_1$ 近似矩定义，而微观分量则被视为一个非散射 MC 问题。
• 精确闭合： 该方法对低阶方程采用精确闭合，其中爱丁顿因子根据宏观和微观分量的总和进行动态计算。
• 方差削减机制： 通过确定性地求解占主导地位的大尺度行为，并仅对剩余的微观分量使用 MC，该方法旨在降低纯 MC 模拟中固有的统计噪声。

数值结果
该方法在一个具有光学厚屏障的异质平板问题上进行了测试，并将 HMMT 结果与传统的具有隐式捕获（IC）的 MC 结果进行了比较。

• 准确度： HMMT 解表现出比传统 MC 解更高的准确度，特别是在源区以及光学厚屏障后方的子区域。HMMT 的相对误差 $L_2$ 范数为 0.48，而 MC 为 1.3。
• 方差削减： 在源区和屏障后方区域，批次相对方差显著降低。与标准 MC 方法相比，HMMT 解在 2-范数下的方差降低了约两个数量级。
• 收敛性： 该方法相对于粒子数 ($N$) 实现了接近理论的收敛速率 ($O(N^{-1/2})$)，并且相对于网格尺寸 ($\Delta x$) 实现了 $O(\Delta x)$ 的收敛。在高粒子数下，由于离散误差的存在，误差趋于平缓，这符合理论预期。
• 效率（品质因数）： HMMT 方法的品质因数（FOM）被发现比传统 MC 方法高出 100 倍以上。这种提升归功于方差的降低以及运行时间的缩短，因为 HMMT 方法中的 MC 部分不涉及散射事件，而散射事件通常是传输模拟中最耗时的部分。

意义与声明
作者声称，HMMT 方法成功展示了相对于标准隐式捕获 MC 算法在降低随机数值解方差和显著提高计算效率方面的能力。本文将这项工作定位为一种针对稳态传输问题的新型混合方法。作者指出，未来的研究将包括在各种测试问题上分析该方法、探索不同的宏观分量定义、应用其他类型的低阶方程，以及研究先进的离散化方案。该工作得到了电子辐射韧性推进中心（CARRE）的支持。